关于Keras中LSTM网络连接与参数设置的技术问询

先把你的LSTM模型代码整理如下：

# Instantiating the model
model = Sequential()
# Input layer
model.add(LSTM(30, activation="softsign", return_sequences=True, input_shape=(30, 1)))
# Hidden layers
model.add(LSTM(12, activation="softsign", return_sequences=True))
model.add(LSTM(12, activation="softsign", return_sequences=True))
# Final Hidden layer
model.add(LSTM(10, activation="softsign"))
# Output layer
model.add(Dense(10))

你的技术疑问解答 #

1. 最终隐藏层与前一层的连接情况 #

你的这个理解不准确。原因是前一层LSTM设置了return_sequences=True，它的输出是形状为(None, 30, 12)的序列（每个样本输出30个时间步，每个时间步对应12维隐藏状态）。而最终的LSTM层（默认return_sequences=False）会逐时间步处理这个序列：

• 每个时间步里，最终层的10个LSTM单元都会与前一层对应时间步的12个单元全连接，但同时每个LSTM单元还会接收自身前一个时间步的隐藏状态（循环连接）。
• 更关键的是，LSTM的权重是时间步共享的——所有30个时间步复用同一套权重参数，不是每个时间步单独建连接。所以实际参数数远不止1012=120：每个LSTM单元包含输入门、遗忘门、输出门、候选细胞状态4个组件，每个组件都需要对前层输入（12维）和自身循环状态（10维）的权重，单个单元参数为(12+10)*4=88，10个单元就是880，再加上4个组件的偏置（104=40），这个LSTM层总参数是920。

2. Dense层与最终隐藏层的连接情况 #

这个理解完全正确！Dense层是标准全连接层，10个输出单元中的每一个都会与最终隐藏层的10个输出单元建立连接，连接数确实是10*10=100，再加上每个输出单元的偏置（10个），这个Dense层总参数为110。

3. return_sequence参数对输入层与第一个隐藏层连接的影响 #

不会有任何差异！return_sequence参数只控制当前LSTM层的输出形式：设为True时输出完整时间步序列，设为False时只输出最后一个时间步的隐藏状态。而第一个LSTM层的输入是固定的input_shape=(30,1)（30个时间步，每个时间步1个特征），它的内部连接机制（每个时间步单元与输入特征、自身循环状态的连接）不会受后面层的return_sequence设置影响——不管后面层怎么配置，第一个LSTM层都是按同样的方式处理输入序列的。

关于任务理解的确认与补充 #

你对样本和任务的理解基本正确：单个训练样本是包含30天BTC价格的序列，输出是未来10天的价格预测。这里补充一个细节：Keras的LSTM要求输入是3维张量，所以单个样本的形状应该是(30, 1)（而非一维的(30,)），也就是每个时间步单独作为一个特征维度，这样模型才能正确识别序列结构。

内容的提问来源于stack exchange，提问作者ailauli69