在 KerasLSTM(n)中的意思是“创建一个由 LSTM 单元组成的 LSTM 层。下图演示了层和单元（或神经元）是什么，最右边的图像显示了单个 LSTM 单元的内部结构。

下图展示了整个 LSTM 层是如何运作的。

正如我们所知，LSTM 层处理一个序列，即$\mathbb{x}_1, \dots, \mathbb{x}_N$. 在每一步$t$层（每个神经元）接受输入$\mathbb{x_t}$, 上一步的输出$\mathbb{h_{t-1}}$, 和偏差$b$，并输出一个向量$\mathbb{h_t}$. 坐标$\mathbb{h_t}$是神经元/单元的输出，因此是向量的大小$\mathbb{h_t}$等于单位/神经元的数量。这个过程一直持续到$\mathbb{x}_N$.

现在让我们计算参数的数量，LSTM(1)并将LSTM(3)其与 Keras 在调用时显示的内容进行比较model.summary()。

让$inp$是向量的大小$\mathbb{x_t}$和$out$是向量的大小$\mathbb{h_t}$（这也是神经元/单位的数量）。每个神经元/单元接受输入向量、上一步的输出和一个偏置，使得$inp + out + 1$参数（权重）。但是我们有$out$神经元的数量，所以我们有$out\times(inp + out + 1)$参数。最后每个单元有 4 个权重（见最右边的图像，黄色框），我们有以下公式计算参数的数量：

让我们比较一下 Keras 的输出。

示例 1。

 t1 = Input(shape=(1, 1))
 t2 = LSTM(1)(t1)
 model = Model(inputs=t1, outputs=t2)
 print(model.summary())

  Layer (type)                 Output Shape              Param #   
  =================================================================
  input_2 (InputLayer)         (None, 1, 1)              0         
  _________________________________________________________________
  lstm_2 (LSTM)                (None, 1)                 12        
  =================================================================
  Total params: 12
  Trainable params: 12
  Non-trainable params: 0
  _________________________________________________________________

单元数为 1，输入向量的大小为 1，所以$4\times 1 \times (1 + 1 + 1) = 12$.

示例 2。

  input_t = Input((4, 2))
  output_t = LSTM(3)(input_t)
  model = Model(inputs=input_t, outputs=output_t)
  print(model.summary())

    _________________________________________________________________
    Layer (type)                 Output Shape              Param #   
    =================================================================
    input_6 (InputLayer)         (None, 4, 2)              0         
    _________________________________________________________________
    lstm_6 (LSTM)                (None, 3)                 72        
    =================================================================
    Total params: 72
    Trainable params: 72
    Non-trainable params: 0

单元数为3，输入向量的大小为2，所以$4\times 3 \times (2 + 3 +1) = 72$

我通常使用 Tensorflow，但我可以在文档中看到它类似于 Keras。

基本上，当你打电话时，LSTM(3)你不会像这张图片1那样创建一个彼此顶部的 LSTM 。这是一个完全不同的问题。

但是，当您创建时，LSTM(3)您正在制作具有3 个隐藏单元或隐藏单元的 LSTM 。在您的代码中，3 将是 LSTM 中内部单元格的维度。这是什么意思？这意味着隐藏状态的维度和输出状态的维度将与隐藏单元的参数相同。

与其将 LSTM 想象为获取一系列标量并给出和输出标量的东西，不如想象一下：您有一个长度为 T 的序列，每个 T 有 512 个值，所以 [Batchsize, T, 512]。在第一个时间 T=1 时，您将一次向 LSTM 提供这 512 个值，这要归功于隐藏单元。

如果我的解释不是很清楚，我会附上一些参考资料和链接。 Q参考，S参考。

我制作了一张图片（参见原始图片的来源），显示了教程中经典表示的单元格（Source1：Colah's Blog）和具有 2 个单元的等效单元格（Source2：Raimi Karim 的帖子）。希望它能澄清单元/单元之间的混淆以及网络架构的真正含义。