参数

输入形状

n维的张量(batch_size, timesteps, input_dim)
例如:
1.100个句子,每个句子20个词,每个词80维度的向量,那么形状就是(100,20,80)
2.如果是简单的时间序列,则input_dime为1,也就是说该step的值就是它的特征
一个两个步长的序列表示为:[[1],[2]]

输出形状

return_sequences:
False:(batch_size, output_size)
True:(batch_size, timesteps, output_size)

init

__init__(
    cell,
    return_sequences=False,
    return_state=False,
    go_backwards=False,
    stateful=False,
    unroll=False,
    time_major=False,
    **kwargs
)

理论

$W_{aa}$是指上一个时间步的权重矩阵,形状是($cell\ast cell$),就是该循环层的隐藏单元(输入是上一时间步的输出cell,输出是这一个时间步的cell);
$W_{ax}$是这个时间步特征的权重矩阵(和全连接层相同),形状是($features\ast cell$).features是上一层的输入,比如一句话中一个单词的词向量维度,$cell$是本层的隐藏单元
$b_a$是偏置量,形状是($cell$),有多少个隐藏单元就有多少个偏置量

所以权重的个数计算是(特征权重+上一个时间步输出权重+偏置量)
$cell\ast features+cell\ast cell+cell$
当然这个公式也可以简化为($w_a[a^{<t-1>},x^{<t>}]+b_a$):
$cell\ast (features+cell)+cell$

参考:
官网
LSTM神经网络输入输出究竟是怎样的？
如何理解lstm的输入输出
完全解析RNN, Seq2Seq, Attention注意力机制
循环神经网络RNN打开手册