我正在研究recurrent.py文件中LSTMCell类的代码（https://github.com/keras-team/keras/blob/master/keras/layers/recurrent.py）

这个类是否计算单个时间步的隐藏状态和携带状态？

我可以在哪里找到处理展开网络的代码，也就是从一个时间步到另一个时间步的代码？

我试图计算单个示例中每个时间步每个门的输出。到目前为止，我可以从训练好的网络中提取权重和偏置，并按照从第1828行到1858行的代码计算激活值。特别是：

i = self.recurrent_activation(x_i + K.dot(h_tm1_i,                                          self.recurrent_kernel_i))f = self.recurrent_activation(x_f + K.dot(h_tm1_f,                                          self.recurrent_kernel_f))c = f * c_tm1 + i * self.activation(x_c + K.dot(h_tm1_c,                                                self.recurrent_kernel_c))o = self.recurrent_activation(x_o + K.dot(h_tm1_o,                                          self.recurrent_kernel_o))

我的输入形状为：input(seq_length, nb_dim)。那么，为了正确计算每个门的输出，我应该做类似以下的事情吗：

for step in range(seq_length):  input_step = input[step, :]  x_i = np.dot(input_step, kernel_i) + bias_i  i = recurrent_activation(x_i + np.dot(h_tm1_i, recurrent_kernel_i)  <<< 对其他门重复此操作 >>>  <<< 计算单元的隐藏状态/携带状态 >>>

回答：

我可以在哪里找到处理展开网络的代码，也就是从一个时间步到另一个时间步的代码？

这种逻辑是由keras.backend.rnn函数完成的（recurrent.py）：

last_output, outputs, states = K.rnn(step,                                     inputs,                                     initial_state,                                     constants=constants,                                     go_backwards=self.go_backwards,                                     mask=mask,                                     unroll=self.unroll,                                     input_length=timesteps)

step基本上是调用一个单元…

def step(inputs, states):  return self.cell.call(inputs, states, **kwargs)

…在LSTM单元的情况下，它计算i、f、c和o门，正如您在问题中描述的那样，并从中评估输出和状态张量。

如果您使用的是tensorflow后端，可以在keras/backend/tensorflow_backend.py中找到实际遍历输入序列的循环。