回顾一下，我不知道回顾是一个超参数，但是在 LSTM 中，当您尝试预测下一步时，您需要通过“回顾”某些时间步骤来安排数据，以准备训练数据集，例如，假设您想估计每次 t 发生的情节的下一个值。您需要将数据重新排列成如下形状： {t1, t2, t3} -> t4 {t2, t3, t4] -> t5 {t3, t4, t5} -> t6 网络将学习这一点并将能够根据先前的时间步长预测 tx。

批量大小（仅指 LSTM），大致是每一步将训练多少样本，批量大小越大，训练速度越快，但需要更多内存。在 GPU 中最好有更大的批量大小，因为将值从 GPU 复制到内存很慢。

LSTM 单元，指的是你将拥有多少“智能”神经元。这高度依赖于您的数据集，通常您根据矢量尺寸确定这一点。

No. of Epochs，算法将运行多少次来近似观察结果。通常，很多时期会过度拟合您的模型，而很少会出现拟合不足的模型。

• 回顾：我不确定你指的是什么。首先想到的是clip控制梯度消失/爆炸的超参数。
• Mini batching：计算速度和收敛速度之间存在折衷。简而言之，*据观察，当使用更大的批次时，模型的质量会显着下降，这可以通过其泛化能力来衡量。*因此，您需要为您的案例搜索理想的大小。在这里查看精彩的讨论
• LSTM 单元：也称为每个 LSTM 单元的潜在维度，它控制隐藏和单元状态的大小。就顺序依赖而言，此值越大，模型的内存就“越大”。这将取决于嵌入的大小。
• Epochs：如果您不熟悉随机、小批量和批量训练的概念，我建议您在进一步了解之前先熟悉一下。这里或这里。本质上，时期数将定义您的模型将看到整个数据集的次数。