Python Keras LSTM中隐藏状态的含义

因为我是个新手，所以这个问题对你来说可能很有趣。但我无法在脑海中想象它。这就是为什么我要问这个问题

我给一个句子作为LSTM的向量，我想我有一个包含10个单词的句子。然后我把这些句子改成向量，然后把它交给LSTM

LSTM单元的长度应为10。但在大多数教程中，我看到它们添加了128个隐藏状态。我无法理解和想象它。“128维隐藏状态”的LSTM层是什么意思

例如：

X = LSTM(128, return_sequences=True)(embeddings)

这个夏天看起来不错

lstm_1 (LSTM)                (None, 10, 128)           91648    

---

这里看起来添加了10个LSTM单元，但为什么有128个隐藏状态？希望你能理解我的期望

简短回答： 如果你更熟悉卷积网络，你可以知道LSTM层的厚度（128）相当于卷积层的大小。10只表示输入的大小（序列的长度为10）

更长的回答： 您可以查看本文以了解更多详细信息

在左图中，LSTM层用（

xt

）表示为输入和输出（

ht

）。反馈箭头显示单元格中存在某种内存

在Keras（右图）的实践中，该模型被“展开”，以使整个输入

xt

与我们的层平行

因此，当您的摘要是： lstm_1（lstm）（无，10128）91648
这意味着您的输入序列是10（

x0，x1，x2，…，x9

），并且您的LSTM的大小是128（128将是您的输出

ht

）

---

这意味着可以有少量的输入和大量的输出。所以我不明白的是，在你们的图像中，xt和ht的数量是一样的。所以当有大量的ht时，它是如何产生的。你能把它形象化一下吗@Daniel请考虑阅读引用的文章，也许通过公式，你会更清楚。你给出的链接目前不可用，如果可能，请提供其他链接。