Keras LSTM层中return_sequence与return_state参数的作用疑问

首先明确结论：你对这两个参数的理解存在部分偏差，具体规则和验证如下： #

基础前提 #

Keras中LSTM层的默认输入维度为(batch_size, timesteps, input_dim)，其中：

• batch_size：单批次样本数
• timesteps：输入序列的时间步长度
• input_dim：单个时间步输入特征的维度
  LSTM层定义时设置的units参数为隐藏状态、细胞状态的特征维度。

单个参数作用说明 #

return_sequences #

控制LSTM层返回的隐藏状态范围：

• 取值为False（默认值）：仅返回最后一个时间步的隐藏状态，输出维度为(batch_size, units)
• 取值为True：返回所有时间步的隐藏状态序列，输出维度为(batch_size, timesteps, units)

典型使用场景：堆叠多层LSTM时，上层LSTM必须设置return_sequences=True，才能给下层LSTM输入符合要求的时序数据。

return_state #

控制LSTM层是否额外返回最后一个时间步的状态值：

• 取值为False（默认值）：仅返回隐藏状态输出（输出格式受return_sequences控制）
• 取值为True：共返回3个张量，按顺序分别为：
  1. 隐藏状态输出（格式受return_sequences控制）
  2. 最后一个时间步的隐藏状态，维度固定为(batch_size, units)
  3. 最后一个时间步的细胞状态，维度固定为(batch_size, units)

两个参数同时设为True的输出说明 #

此时返回的3个张量分别为：

1. 所有时间步的隐藏状态序列，维度(batch_size, timesteps, units)
2. 最后一个时间步的隐藏状态，维度(batch_size, units)
3. 最后一个时间步的细胞状态，维度(batch_size, units)

你之前的理解偏差点在于：该场景下返回的细胞状态只有最后一个时间步的结果，并非所有时间步对应位置的细胞状态序列。
另外你后续的推演结论是正确的：标准LSTM结构中，只会将上一个时间步的隐藏状态、细胞状态传入下一个时间步做计算，不需要传入完整的状态序列，不会出现架构打乱或维度适配问题。 #

维度验证代码示例 #

from tensorflow.keras.layers import Input, LSTM
from tensorflow.keras.models import Model

# 输入：批次维度任意，时间步长10，单步特征维度32
inputs = Input(shape=(10, 32))
# LSTM层设置：隐藏单元64，同时打开两个参数
lstm_layer = LSTM(64, return_sequences=True, return_state=True)
outputs, hidden_state, cell_state = lstm_layer(inputs)

print(outputs.shape)      # 输出：(None, 10, 64)
print(hidden_state.shape) # 输出：(None, 64)
print(cell_state.shape)   # 输出：(None, 64)

内容的提问来源于stack exchange，提问作者Guilherme Takata