Python LSTM-Keras神经网络表示

我遇到了下面的代码，它用Keras生成了一个顺序LSTM神经网络，我想知道它是如何在绘图的therms中表示的

model = Sequential()
model.add(LSTM(60, input_shape=(1, 6),
               activation='softmax'))
model.add(Dense(2))

如果有人能给我解释一下，那就太好了

编辑： 我在这张图片中寻找类似的东西：

更具体地说：LSTM层的输入/输出将是什么样子，以及它们将如何链接到致密层

@编辑2：我制作了以下图像：

---

如果我把每一个输入与60个神经元中的每一个都加上额外的突触连接，神经网络会像我在图中画的那样吗？

这里有一些在Google Colab中运行的代码，可以给你一些关于输入和输出的信息：

from keras import Sequential
from keras.layers import LSTM, Dense

model = Sequential()
model.add(LSTM(60, input_shape=(1, 6),
               activation='softmax'))
model.add(Dense(2))

# write out model architecture
model.summary()

# Graphical plot
from IPython.display import SVG
from keras.utils import model_to_dot

iv1_dot = model_to_dot(model, show_shapes=True, show_layer_names=True, dpi=60)
SVG(iv1_dot.create(prog=['dot'], format='svg'))

就具体设计而言，LSTM层有60个节点，这些节点与最后2个节点紧密连接。这意味着60个LSTM中的每一个都直接连接（具有适当的权重）到两个最终密集节点。在输入端，您通过输入_shape=（1,6）为LSTM层定义了一个带有6个特征的时间步长。因此，LSTM层的完整输入如下所示：

（num_示例、num_时间步、num_功能）

在这种情况下，num_timesteps=1，num_features=6。我相信，每个特性都会连接到每个LSTM节点。通常在keras中，num_样本不直接在网络中指定，而是在架构图和摘要中显示为“无”

---

我希望这会有所帮助。

以下是一些在Google Colab中运行的代码，可以为您提供一些关于输入和输出的信息：

from keras import Sequential
from keras.layers import LSTM, Dense

model = Sequential()
model.add(LSTM(60, input_shape=(1, 6),
               activation='softmax'))
model.add(Dense(2))

# write out model architecture
model.summary()

# Graphical plot
from IPython.display import SVG
from keras.utils import model_to_dot

iv1_dot = model_to_dot(model, show_shapes=True, show_layer_names=True, dpi=60)
SVG(iv1_dot.create(prog=['dot'], format='svg'))

就具体设计而言，LSTM层有60个节点，这些节点与最后2个节点紧密连接。这意味着60个LSTM中的每一个都直接连接（具有适当的权重）到两个最终密集节点。在输入端，您通过输入_shape=（1,6）为LSTM层定义了一个带有6个特征的时间步长。因此，LSTM层的完整输入如下所示：

（num_示例、num_时间步、num_功能）

在这种情况下，num_timesteps=1，num_features=6。我相信，每个特性都会连接到每个LSTM节点。通常在keras中，num_样本不直接在网络中指定，而是在架构图和摘要中显示为“无”

---

我希望这会有帮助。

这个神经网络会和这个完全一样吗？（考虑到在这张图中，x_i输入连接在60个神经元中的一个，并且由于num_timesteps=1，每个神经元展开一次，对吗？）请阅读我的“编辑2”，基于我对LSTM实现的理解，在您的图中，您应该有60个输出节点（您称之为“h”）和每个输入功能（x0到x5）应紧密连接到每个LSTM节点。换句话说，x0应该连接到所有的LSTM节点，x1等等。我认为这就是执行工作正在做的事情。您可以通过检查Keras github上的代码（LSTM在文件：recurrent.py中）进一步确认这一点。我希望这会有帮助。这个神经网络会和这个一模一样吗？（考虑到在这张图中，x_i输入连接在60个神经元中的一个，并且由于num_timesteps=1，每个神经元展开一次，对吗？）请阅读我的“编辑2”，基于我对LSTM实现的理解，在您的图中，您应该有60个输出节点（您称之为“h”）和每个输入功能（x0到x5）应紧密连接到每个LSTM节点。换句话说，x0应该连接到所有的LSTM节点，x1等等。我认为这就是执行工作正在做的事情。您可以通过检查Keras github上的代码（LSTM在文件：recurrent.py中）进一步确认这一点。我希望这有帮助。