python - LSTM 的 output_dim 如何与下一层的 input_dim 不同？

Question

我正在查看这段代码:

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'))

如何第一层的输出为 dim=6，然后下一层的 input_dim=1？

编辑

代码是错误的，Keras 只是尽力如实际生成的模型所示(看看模型如何与代码不匹配):

Answer 1

这段代码非常困惑，绝对不应该这样写。

在顺序模型中，Keras 仅尊重第一层的 input_shape。所有后续层均使用前一层的输出进行初始化，从而有效地忽略 input_shape 规范。源代码:keras/models.py 。在本例中，它是(None, None, 6)。

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 对此 LSTM 规范发出警告，因为 input_dim 已弃用:

Update your LSTM call to the Keras 2 API: LSTM(input_shape=(None, 1), return_sequences=True, units=6)

Update your LSTM call to the Keras 2 API: LSTM(input_shape=(None, 1), return_sequences=False, units=6)