最佳参数化取决于问题（没有规则可以做你想做的事），但有一些技术可以帮助你，请参阅下面的链接。 http://machinelearningmastery.com/tune-lstm-hyperparameters-keras-time-series-forecasting/

基本上上面的链接所做的是：

1. 首先计算具有不同最大时期数的每个时期的训练和测试数据的 RMSE。这可以防止您过度拟合并给出一个近似的时期范围。
2. 之后，您可以重复该方法，但保持 epochs 不变（先前选择）并使用不同的神经元数进行测试。

重要的是 RMSE 测试曲线不能是凸的，因为它表示过度拟合。通过这种方法，您可以调整此参数，从而在准确性和泛化之间取得良好的平衡。