Python LSTM num_单位大小，即隐藏层的大小

我经常看到

natural language processing

任务使用

LSTM

的方式是首先使用

嵌入层

，然后使用嵌入大小的

LSTM层

，即如果一个单词由一个1x300向量表示，则使用

LSTM（300）

例如：

---

这样做有什么特别的原因吗？喜欢更好地表达意思吗？

我不认为有任何特殊的原因/需要，坦率地说，我自己也没有见过很多这样的情况（即使用

LSTM

隐藏单元==

嵌入
大小）。唯一的效果是每个嵌入向量元素有一个单独的存储单元（我认为这不是一个要求或必要）

话虽如此，我想我可以多提一点。也就是说，在这个设置中有一个
嵌入
层是有原因的。事实上，这是一个很好的理由。让我们考虑这两个选项，

使用一个热编码进行单词表示
使用
嵌入
进行单词表示
方案2比方案1有几个优点


使用嵌入层时，输入的维度要小得多（例如，300而不是50000）
您为模型提供了灵活性，以学习实际上适合您解决的任务的单词表示法。换句话说，您没有限制单词的表示在训练过程中保持不变
如果使用预训练的单词嵌入层初始化
嵌入层
更好。您正在将单词语义引入到您正在解决的任务中。这总是有助于更好地解决任务。这类似于让一个不理解单词含义的幼儿做一些与文本相关的事情（例如，按照正确的语法顺序排列单词），而不是让一个3岁的孩子做同样的任务。他们俩最终可能都会这么做。但是一个人会做得更快更好
有趣的问题。。。。从技术上讲，我们可以选择任何数字，但如果平等可以带来更好的学习，那么研究就可以了。。。。
model = Sequential()
model.add(Embedding(vocabulary, hidden_size, input_length=num_steps))
model.add(LSTM(hidden_size, return_sequences=True))