确认堆叠LSTM股价预测架构的理解是否正确

现有RNN架构代码 #

regressor = Sequential()
regressor.add(LSTM(units = 50, return_sequences = True, input_shape = (X_train.shape[1], 1)))
regressor.add(Dropout(0.2))
regressor.add(LSTM(units = 50, return_sequences = True))
regressor.add(Dropout(0.2))
regressor.add(LSTM(units = 50, return_sequences = True))
regressor.add(Dropout(0.2))
regressor.add(LSTM(units = 50))
regressor.add(Dropout(0.2))
regressor.add(Dense(units = 1))

注：该架构采用60个时间步，用于股价时间序列预测，模型摘要见配图。

你的理解内容 #

第一层为含50个单元的LSTM层，return_sequences设为True，输出为形状为(none,60,50)的3D矩阵，即返回每个时间步的50个单元状态，none为调用fit或predict时确定的批量大小占位符，输出全连接至下一层LSTM；第二、三层LSTM层同理；第四层LSTM层因return_sequences设为False，仅返回每个单元在最后时间步的最终隐藏状态，输出形状为(none,50)；随后连接含1个神经元的输出Dense层，输出形状为(none,1)。

确认结果 #

你的理解完全正确，对应每一层的输出逻辑和形状都没问题：

• 前三层LSTM都设置了return_sequences=True，所以每一层都会输出每个时间步的隐藏状态，形状保持(批量大小, 60, 50)，这样才能作为下一层LSTM的输入（LSTM需要3D输入）；
• 第四层LSTM未设置return_sequences（默认False），所以只输出最后一个时间步的隐藏状态，形状变为(批量大小, 50)，符合Dense层需要2D输入的要求；
• 最后的Dense层将50维的特征压缩为1维，对应股价预测的单值输出，形状为(批量大小, 1)。

内容的提问来源于stack exchange，提问作者AAA