Python LSTM：如何有效理解和使用return_sequences=False？

我正在进行多元时间序列分析。我打算用不同的批量大小和超参数多次运行这个网络。因此，到目前为止，我一直保持一般性，并假设

B := Number of batches

T := Number of timesteps per batch

N := Number of features per timestep 

我的最终目标是调用model.predict对一批进行预测（当然，这还没有用于训练）。所以它看起来是这样的

prediction = model.predict(unknown)
unknown.shape = (T, N)
prediction.shape = (N,)

我一直在尝试大量的网络

我不能让它工作

model.add(LSTM(N, input_shape=(T, N), return_sequences=True))
model.add(Dropout(0.2))
model.add(LSTM(N, input_shape=(T, N), return_sequences=False)) 
model.add(Dense(N))

model.add(LSTM(N, input_shape=(T, N), return_sequences=True))
model.add(Dropout(0.2))
model.add(LSTM(N, input_shape=(T, N), return_sequences=True)) # True here 
model.add(Dense(N))

但是，我可以让它工作

model.add(LSTM(N, input_shape=(T, N), return_sequences=True))
model.add(Dropout(0.2))
model.add(LSTM(N, input_shape=(T, N), return_sequences=False)) 
model.add(Dense(N))

model.add(LSTM(N, input_shape=(T, N), return_sequences=True))
model.add(Dropout(0.2))
model.add(LSTM(N, input_shape=(T, N), return_sequences=True)) # True here 
model.add(Dense(N))

如果输出包含最后一个timestep，即我正在寻找的f（t+1），那么return_sequences=True有什么问题？我想这并不能解决根本问题，那就是我不完全理解如何构建这些网络。正如我所说的，我希望在开始进行实验之前，尽可能地将事情概括起来，并深入了解网络

我将用非常不同的B、T和N值进行实验，看看哪一个效果最好

---

我试着阅读文档等等，但是我被卡住了，感到沮丧，所以我想我应该求助于社区。

没有必要在第二层中指定

输入形状

参数。当递归层是网络中的第一层时，明确要求使用此参数，否则不需要

---

如果希望在每个重复层指定输入批处理形状，请记住设置参数

stateful=True

以使LSTMs有状态（并且仅在网络的第一层使用此参数）

希望下面的代码有帮助 例如，如果每层中的节点数为150

model.add(LSTM(150, return_sequences=True,input_shape=(T,N)))
model.add(LSTM(150))
model.add(Dense(1))

---

并在代码的第二个lstm中删除输入_shape=（T，N）。您已指定它需要2D数组（T，N），但第一个lstm提供了一个由（1，T，N）组成的3d数组。

第一个网络（其中return_sequences设置为False）是否产生错误？或者它只是没有产生预期的结果？错误预期lstm_2有两个维度，但在删除我得到的输入_形状参数后它收到了形状数组（1，T，N）：检查目标时出错：预期lstm_2有两个维度，但形状数组（1，8，11）是网络中的第一个lstm层还是第一层？是，第一层是您在问题中看到的第一个LSTM。也许本文将帮助您诊断问题：不，我已经阅读了那篇文章。他们从不返回\u sequences=False。感谢您的评论！我得到了另一个错误，然而，这是你得到的错误，return_sequences=True返回一个3D数组，如果你有多个lstm层，你应该将它设置为True，除了最后一个…并且你已经写了你的输入形状是（T，N），我希望你在将它给lstm之前已经将它转换为3D数组（记录总数（行），T（时间步），N（尺寸的数量）