我粘贴在循环层的 Keras 文档下方
model= Sequential()
model.add(LSTM(32, input_shape=(10, 64)))
# now model.output_shape == (None, 32)
# note: `None` is the batch dimension.
LSTM 32 的第一个参数在这里是什么意思？它是否创建了 32 个 LSTM 块（我的块是指由输入、遗忘和输出门组成）？您能否解释一下第一个参数的含义以及当返回序列为 True 和返回序列为 False 时它对 LSTM 的输出维度有何贡献？
LSTM 使用的符号很混乱，我也花了一些时间来理解这个问题。当你看到这张图（通常用来解释 RNN）时：
您需要考虑 X 是时间步长 t 的数据序列，它不仅仅是单个标量输入值（正如我们习惯于使用前馈网络）；它是一个数据数组/张量。该图显示了在时间步 t 处如何有一个输出，但是当下一个数组/张量被输入时，它也会输入到下一个时间步 t+1。
更好/更清晰的方法（在我看来）是这样看的：
所以一个 LSTM 'cell' 实际上是你可能认为的一个层。一个单位（其中一个圆圈）是其中之一：
您可以考虑隐藏层中的神经元。
最初，我以为这是一个单元，但它不是，它是一个单元。因此，例如，当您指定 32 个单元时，您实际上是在说单元（层）中需要多少个这些单元（神经元）。
这就是使模型能够学习呈现给它的数据的能力。就像前馈中的隐藏层/神经元一样，它是一个你需要试验的超参数；太低，模型会欠拟合，太高，模型会过拟合。
在这种情况下，值“32”是单元状态的大小和在网络中向前发送的隐藏状态的大小。请在此处查看我的答案以获取更多信息。
这个问题可能太老了，但我认为 BigBadMe 的答案不正确。正如 keras 文档所说：
单位：正整数，输出空间的维度。
单元的数量实际上是隐藏状态（或输出）的维度。
例如，在下图中，隐藏状态（红色圆圈）的长度为 2。单元数是连接到包含隐藏状态和输入的连接向量的层（同时包含红色和绿色的层）的神经元数量下面的圆圈）。在这个例子中，有 2 个神经元连接到该层。
单元的数量定义了隐藏状态（或输出）的维度和 LSTM 层中的参数数量。
上图取自：https ://towardsdatascience.com/counting-no-of-parameters-in-deep-learning-models-by-hand-8f1716241889 ，这是一篇对 LSTM 很有帮助的文章