Python 3.7 tensorflow

我正在尝试使用Tensorflow进行时间序列预测

我理解第二行创建了一个LSTM循环神经网络，即一种长短期记忆类型的循环神经网络。

为什么我们在最后需要添加一个Dense(1)层？

single_step_model = tf.keras.models.Sequential()single_step_model.add(tf.keras.layers.LSTM(32, input_shape=x_train_single.shape[-2:]))single_step_model.add(tf.keras.layers.Dense(1))

Dense()的教程说明

Dense实现了以下操作：output = activation(dot(input, kernel) + bias)，其中activation是作为激活参数传递的逐元素激活函数，kernel是由层创建的权重矩阵，bias是由层创建的偏置向量（仅当use_bias为True时适用）。

您是否希望重新解释或详细说明这里需要Dense()的原因？

回答：

以下代码行

single_step_model.add(tf.keras.layers.LSTM(32, input_shape=x_train_single.shape[-2:]))

创建了一个LSTM层，该层将每个输入步骤的大小#features转换为大小为32的潜在表示。由于您要预测单个值，因此需要将这个大小为32的潜在表示转换为单个值。因此，您添加了以下代码行

single_step_model.add(tf.keras.layers.Dense(1))

这添加了一个输出中有一个神经元的全连接神经网络（Dense层），显然，这会产生一个单一的值。可以将其视为将高维度的中间结果转换为最终结果的一种方式。