使用顺序API
如果我使用Keras的顺序API创建一个LSTM，并使用以下代码：
from keras.models import Sequentialfrom keras.layers import LSTMmodel = Sequential()model.add(LSTM(2, input_dim=3))那么
model.summary()返回48个参数，这在这个Stack Overflow问题中被认为是正确的。
快速详情：
input_dim = 3, output_dim = 2n_params = 4 * output_dim * (output_dim + input_dim + 1) = 4 * 2 * (2 + 3 + 1) = 48使用函数式API
但是如果我使用以下代码通过函数式API做同样的事情：
from keras.models import Modelfrom keras.layers import Inputfrom keras.layers import LSTMinputs = Input(shape=(3, 1))lstm = LSTM(2)(inputs)model = Model(input=inputs, output=lstm)那么
model.summary()返回32个参数。
为什么会有这样的差异？
回答：
这种差异的原因是，当你向RNN层（包括LSTM层）传递input_dim=x时，意味着输入形状是(None, x)，即有不同数量的时间步，每个时间步是一个长度为x的向量。然而，在函数式API的例子中，你指定shape=(3, 1)作为输入形状，这意味着有3个时间步，每个时间步有一个特征。因此参数数量将是：4 * output_dim * (output_dim + input_dim + 1) = 4 * 2 * (2 + 1 + 1) = 32，这正是模型摘要中显示的数字。
此外，如果你使用Keras 2.x.x版本，在为RNN层使用input_dim参数时，你会得到一个警告：
UserWarning: 递归层的
input_dim和input_length参数已被废弃。请改用input_shape。UserWarning: 将你的
LSTM调用更新为Keras 2 API：LSTM(2, input_shape=(None, 3))
