增加 epoch 的数量：

当您拥有庞大且多样化的数据集时，这是最好的选择。大型数据集是指数量相等的多个不同样本（无偏差）。此外，您可以使您的模型更好地泛化，您可能会增加辍学率并降低学习率。在这种情况下，增加 epoch 的数量将有助于模型更好地泛化。此外，由于它在多样化的数据集上进行了泛化，这意味着它可以在现实世界中表现良好。对于 LSTM，它们可以根据序列做出正确的预测。

增加 LSTM 的层数：

如果我们将每个 LSTM 视为一个内存单元，那么我们将增加内存单元的数量，从而增加整体内存。第一个序列将被馈送到下一层，因此模型可以创建数据的分层表示。如果您有具有像图像这样的上下文的序列，这会更好。

在考虑这两种情况时，如果您有丰富的数据，那么第一个选项是最佳的。如果您的数据复杂且多样性较低，则需要考虑第二点和第一点。