Python Keras：了解可培训LSTM参数的数量

我在第166行之后运行了包含以下代码的程序：

m = 1
model=Sequential()
dim_in = m
dim_out = m
nb_units = 10

model.add(LSTM(input_shape=(None, dim_in),
                    return_sequences=True, 
                    units=nb_units))
model.add(TimeDistributed(Dense(activation='linear', units=dim_out)))
model.compile(loss = 'mse', optimizer = 'rmsprop')

在预结束对model.summary的调用时，我看到以下输出：

_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
lstm_4 (LSTM)                (None, None, 10)          480       
_________________________________________________________________
time_distributed_4 (TimeDist (None, None, 1)           11        
=================================================================
Total params: 491
Trainable params: 491
Non-trainable params: 0

我知道时间分布层的11个参数只是由nb_单位权重加上一个偏差值组成

现在，对于LSTM层： 说：

在我的例子中，如果输入_size=1，输出_size=1，那么对于10个单元中的每个单元，只会产生12个参数，总计120个参数。与报道的480相比，这是4倍。我的错误在哪里？

参数公式适用于整个层，而不是每Keras单位

引述：

[在Keras中]，单位是指LSTM中内部单元的尺寸

Keras中的LSTM仅定义一个LSTM区块，其单元为单位长度

---

直接将output_size=10正确设置为480个参数。

您的错误在于对引用页面上给出的术语的解释，这是公认的误导。因此，参考文献中的n对应于您的nb_单元，这可以通过以下事实来理解：该变量以二次方式进入给定公式，因此对应于循环连接性，该连接性仅在nb_单元和LSTM单元之间发挥作用

因此，在上面的参数公式中设置output_size=n=10将得到所需的480个参数

params = 4 * ((input_size + 1) * output_size + output_size^2)