LSTM 的 output_dim 怎么可能与下一层的 input_dim 不同？

Question

我在看这段代码：

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'))

第一层如何输出dim=6，然后下一层输出input_dim=1？

编辑

代码错误，Keras 只是尽力而为，如实际生成的模型所示（查看模型如何与代码不匹配）：

Answer 1

这段代码非常混乱，绝对不应该这样写。

在顺序模型中，Keras 仅尊重第一层的input_shape。所有后续层都使用上一层的输出进行初始化，有效地忽略了 input_shape 规范。源代码：keras/models.py。在这种情况下，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       
=================================================================

顺便说一下，keras 会针对此 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)

LSTM 的 output_dim 怎么可能与下一层的 input_dim 不同？

How can a LSTM have an output_dim different than the input_dim of the next layer?

python

machine-learning

lstm

keras

keras-layer

编辑