Keras LSTM自编码器异常检测模型相关参数含义咨询

你给出的异常检测用LSTM自编码器实现代码如下：

def autoencoder_model(X):
  inputs = Input(shape=(X.shape[1], X.shape[2]))
  L1 = LSTM(16, activation='relu', return_sequences=True, kernel_regularizer = regularizers.l2(0.00))(inputs)
  L2 = LSTM(4, activation = 'relu', return_sequences=False)(L1)
  L3 = RepeatVector(X.shape[1])(L2)
  L4 = LSTM(4, activation='relu', return_sequences=True)(L3)
  L5 = LSTM(16, activation = 'relu', return_sequences=True)(L4)
  output = TimeDistributed(Dense(X.shape[2]))(L5)
  model = Model(inputs=inputs, outputs=output)
  return model

1. return_sequences参数含义 #

LSTM是面向时序数据设计的网络层，输入输出默认携带时间步维度，该参数控制输出的维度结构：

• return_sequences=True：LSTM层返回所有时间步的隐藏状态输出，输出形状为(批量大小, 时间步数量, 隐藏单元数)，适合后续仍接LSTM层的场景
• return_sequences=False：LSTM层仅返回最后一个时间步的隐藏状态输出，输出形状为(批量大小, 隐藏单元数)，相当于把整个输入时序压缩为一个固定长度的特征向量

2. L2层return_sequences设置为False的原因 #

自编码器结构分为编码器、解码器两部分，核心逻辑是「压缩-重建」：

• 编码器的作用是将输入的整个时序序列压缩为低维的全局特征向量（即编码），L2层是编码器的最后一层LSTM，设置为False就是为了得到这个压缩后的一维特征，对应4个隐藏单元的全局特征
• 后续的RepeatVector层会把这个一维特征复制为和输入时间步数量一致的份数，恢复为带时间步维度的张量，才能喂给解码器的LSTM层完成输入重建

3. kernel_regularizer的作用 #

该参数用于给网络层的权重参数添加正则化约束，降低过拟合风险：

• 你代码中使用的是L2正则regularizers.l2(0.00)，原理是在模型损失函数中额外添加一项和权重平方值成正比的惩罚项，避免模型权重过大，拟合训练集的噪声
• 你当前设置的正则系数为0.00，相当于这一层没有生效任何正则约束，和不写该参数效果完全一致，如果后续模型出现过拟合问题，可以将系数调大（比如0.001、0.01）优化泛化能力

内容的提问来源于stack exchange，提问作者OctavianWR