两个堆叠的 LSTM 层之间有什么联系？
What is the connections between two stacked LSTM layers?
问题类似于这个 What's the input of each LSTM layer in a stacked LSTM network?，但更多的是实现细节。
为简单起见，4 个单元和 2 个单元的结构如何，如下所示
model.add(LSTM(4, input_shape=input_shape, return_sequences=True))
model.add(LSTM(2,input_shape=input_shape))
所以我知道LSTM_1的输出是4个长度但是接下来的2个单元如何处理这4个输入，它们是否完全连接到下一层节点？
我猜他们是全连接的，但不确定像下图，Keras document
中没有说明
谢谢！
它的长度不是 4，而是 4 "features"。
长度在输入形状中并且永远不会改变，当您将常规输入提供给一个 LSTM 时发生的情况与将 LSTM 的输出提供给另一个 LSTM 时发生的情况绝对没有区别。
您可以只查看模型的摘要以查看形状并了解发生了什么。您永远不会使用 LSTM 更改长度。
他们根本不交流。每个都采用长度维度，循环处理它，彼此独立。当一个完成并输出一个张量时，下一个获取张量并按照相同的规则单独处理它。
问题类似于这个 What's the input of each LSTM layer in a stacked LSTM network?，但更多的是实现细节。
为简单起见，4 个单元和 2 个单元的结构如何，如下所示
model.add(LSTM(4, input_shape=input_shape, return_sequences=True))
model.add(LSTM(2,input_shape=input_shape))
所以我知道LSTM_1的输出是4个长度但是接下来的2个单元如何处理这4个输入，它们是否完全连接到下一层节点？
我猜他们是全连接的，但不确定像下图，Keras document
中没有说明谢谢！
它的长度不是 4，而是 4 "features"。
长度在输入形状中并且永远不会改变，当您将常规输入提供给一个 LSTM 时发生的情况与将 LSTM 的输出提供给另一个 LSTM 时发生的情况绝对没有区别。
您可以只查看模型的摘要以查看形状并了解发生了什么。您永远不会使用 LSTM 更改长度。
他们根本不交流。每个都采用长度维度，循环处理它，彼此独立。当一个完成并输出一个张量时，下一个获取张量并按照相同的规则单独处理它。