Python LSTM的输出尺寸如何与下一层的输入尺寸不同？

我在看这个代码：

model = Sequential()
model.add(LSTM(input_shape = (1,), input_dim=1, output_dim=6, return_sequences=True))
model.add(LSTM(input_shape = (1,), input_dim=1, output_dim=6, return_sequences=False))
model.add(Dense(1))
model.add(Activation('linear'))

第一层的输出为dim=6，下一层的输入为_dim=1

编辑 代码是错误的，Keras只是尽了最大努力，如实际生成的模型所示（请参见模型如何与代码不匹配）：

---

这段代码非常混乱，不应该这样写

在顺序模型中，Keras仅考虑第一层的

输入_形状

。所有后续层都使用前一层的输出进行初始化，实际上忽略了

input\u shape

规范。源代码：。在本例中，它是

（None，None，6）

因此，模型摘要如下所示：

Layer (type)                 Output Shape              Param #   
=================================================================
lstm_1 (LSTM)                (None, None, 6)           192       
_________________________________________________________________
lstm_2 (LSTM)                (None, 6)                 312       
=================================================================

顺便说一句，keras在此

LSTM

规范上发出警告，因为

input\u dim

已被弃用：

更新对Keras 2 API的

LSTM调用：
LSTM（输入形状=（无，1），返回序列=真，单位=6）

更新您的
LSTM
呼叫
keras2api:
LSTM（输入形状=（无，1），返回序列=假，单位=6）