Python 塔茨，对吗？我这样说是因为在图中箭头似乎将dense1与lstm2@MarcoCerliani箭头显示了网络的原始意图，即利用lstm1输出作为lstm2的输入（以及输入2）。然而，对一个类似问题的回答（也与问题相关）表明，可以（或应该）通过设置LSTM的

---

塔茨，对吗？我这样说是因为在图中箭头似乎将dense1与lstm2@MarcoCerliani箭头显示了网络的原始意图，即利用lstm1输出作为lstm2的输入（以及输入2）。然而，对一个类似问题的回答（也与问题相关）表明，可以（或应该）通过设置LSTM的初始状态来完成相同的操作。所以我的问题是，设置初始状态是否正确？它是否起作用，也就是说，我希望LSTM2受LSTM1的输出的影响。好的，如果您不想将LSTM1的输出与输入2连接起来（如您引用的解决方案中所述），那么共享状态就是您所需要的。否则，如果只有一个输入（如编辑前所报告的），则可以堆叠两个lstm单元格，并在不同级别生成两个输出（我可以报告第二个场景的解决方案）与我尝试实施并描述过的“初始状态共享”方法相比，您能详细说明这种方法的优点和/或可能的缺点吗？我认为没有具体的优点。这两种解决方案都在input2和input1之间创建了依赖关系。我编辑了答案，试图让它更清楚一点。你不应该在代码中使用

return\u sequences

而不是

return\u state

？既然我们想把LSTM1的输出作为LSTM2的输入，那么最好使用一个致密层，但首先将其应用于LSTM1的最终输出，然后将其应用于LSTM1的所有输出，这些输出可以与输入2连接？是的，它应该是返回序列，对不起，我的错误。我认为最好直接使用LSTM1的输出（没有密集层），因为当你应用密集层时，你正在移除输入的“序列”性质，我认为这对LSTM2来说可能很有趣。但是，这取决于您的数据，因此，我建议您尝试这些不同的方法，并检查哪种方法更适合您的问题。与我尝试实施并描述的“初始状态共享”方法相比，您能否详细说明这种方法的优点和/或可能的缺点？我认为没有具体的优点。这两种解决方案都在input2和input1之间创建了依赖关系。我编辑了答案，试图让它更清楚一点。你不应该在代码中使用

return\u sequences

而不是

return\u state

？既然我们想把LSTM1的输出作为LSTM2的输入，那么最好使用一个致密层，但首先将其应用于LSTM1的最终输出，然后将其应用于LSTM1的所有输出，这些输出可以与输入2连接？是的，它应该是返回序列，对不起，我的错误。我认为最好直接使用LSTM1的输出（没有密集层），因为当你应用密集层时，你正在移除输入的“序列”性质，我认为这对LSTM2来说可能很有趣。但是，这取决于您的数据，因此我建议您尝试这些不同的方法，并检查哪种方法更适合您的问题。

# define model
inputs1 = Input(shape=(seq_len, in_features1))
inputs2 = Input(shape=(seq_len, in_features2))

lstm1 = LSTM(units, return_sequences=True)
lstm1_out = lstm1(inputs1)

lstm2_input = tf.keras.layers.concatenate([inputs2, lstm1_out])
lstm2 = LSTM(units)
lstm2_out = lstm2(lstm2_input)

dense1 = Dense(1)
dense1_out = dense1(lstm1_out)

dense2 = Dense(1)
dense2_out = dense2(lstm2_out)