Keras：嵌入LSTM

在LSTM上用于建模IMDB序列数据（）的keras示例中，在输入LSTM层之前有一个嵌入层：

model.add(Embedding(max_features,128)) #max_features=20000
model.add(LSTM(128))

嵌入层真正做什么？在这种情况下，这是否意味着进入LSTM层的输入序列的长度是128？如果是这样，我可以将LSTM层写为：

model.add(LSTM(128,input_shape=(128,1))

但还应注意的是，输入

X_列

已进行

pad_序列

处理：

print('Pad sequences (samples x time)')
X_train = sequence.pad_sequences(X_train, maxlen=maxlen) #maxlen=80
X_test = sequence.pad_sequences(X_test, maxlen=maxlen) #maxlen=80

似乎输入序列长度为80？

：

将正整数（索引）转换为固定大小的密集向量。 例如[4]，[20]->[0.25,0.1]，[0.6，-0.2]]

基本上，这会将索引（表示IMDB评论中包含的单词）转换为具有给定大小的向量（在您的示例中为128）

如果您不知道一般的嵌入是什么，那么：

单词嵌入是一组语言建模的总称 和自然语言处理（NLP）中的特征学习技术 将词汇表中的单词或短语映射到 相对于词汇表的低维空间中的实数 大小（“连续空间”）

回到你问的另一个问题：

在这种情况下，这是否意味着输入序列的长度 LSTM层是128

不完全是。对于循环网络，您将有一个时间维度和一个特征维度。128是您的特征维度，就像每个嵌入向量应该有多少维度一样。示例中的时间维度存储在

maxlen

中，用于生成训练序列

无论你提供的是什么，都是128