我正在尝试构建一个 LSTM 自编码器，目标是从一个序列中获取一个固定大小的向量，这个向量能够尽可能好地表示该序列。这个自编码器由两部分组成：
LSTM编码器：接受一个序列并返回一个输出向量（return_sequences = False）LSTM解码器：接受一个输出向量并返回一个序列（return_sequences = True）
因此，最终编码器是一个多对一的 LSTM，而解码器是一个一对多的 LSTM。
图片来源：Andrej Karpathy
从高层次上看，代码看起来像这样（类似于这里描述的）：
encoder = Model(...)decoder = Model(...)autoencoder = Model(encoder.inputs, decoder(encoder(encoder.inputs)))autoencoder.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])autoencoder.fit(data, data, batch_size=100, epochs=1500)data 数组的形状（训练样本数，序列长度，输入维度）是 (1200, 10, 5)，看起来像这样：
array([[[1, 0, 0, 0, 0], [0, 1, 0, 0, 0], [0, 0, 1, 0, 0], ..., [0, 0, 0, 0, 0], [0, 0, 0, 0, 0], [0, 0, 0, 0, 0]], ... ])问题： 我不确定如何继续进行，特别是如何将 LSTM 集成到 Model 中，以及如何让解码器从一个向量生成一个序列。
我使用的是带有 tensorflow 后端的 keras。
编辑： 如果有人想尝试，这里是我生成带有移动的 1 的随机序列的过程（包括填充）：
import randomimport mathdef getNotSoRandomList(x): rlen = 8 rlist = [0 for x in range(rlen)] if x <= 7: rlist[x] = 1 return rlistsequence = [[getNotSoRandomList(x) for x in range(round(random.uniform(0, 10)))] for y in range(5000)]### Padding afterwardsfrom keras.preprocessing import sequence as seqdata = seq.pad_sequences( sequences = sequence, padding='post', maxlen=None, truncating='post', value=0.)回答：
模型可以按照你想要的任何方式构建。如果我理解正确的话，你只是想知道如何使用 LSTM 创建模型？
使用 LSTM
首先，你必须定义你的编码向量看起来是什么样的。假设你希望它是一个包含 20 个元素的一维向量。所以，形状是 (None,20)。它的尺寸由你决定，没有明确的规则来知道理想的尺寸。
你的输入必须是三维的，比如你的 (1200,10,5)。在 keras 的摘要和错误消息中，它将显示为 (None,10,5)，因为 “None” 代表批次大小，每次训练/预测时都可能不同。
有很多方法可以做到这一点，但假设你只想要一个 LSTM 层：
from keras.layers import *from keras.models import ModelinpE = Input((10,5)) #这里，你不定义批次大小 outE = LSTM(units = 20, return_sequences=False, ...optional parameters...)(inpE)这对于一个非常简单的编码器来说已经足够了，结果是一个包含 20 个元素的数组（但你可以堆叠更多层，如果你想的话）。让我们创建模型：
encoder = Model(inpE,outE) 现在，对于解码器，情况变得模糊了。你不再有一个实际的序列，而是一个静态的有意义的向量。你可能仍然想使用 LSTM，它们会假设这个向量是一个序列。
但在这里，由于输入的形状是 (None,20)，你必须首先将其重塑为某个三维数组，以便接下来附加一个 LSTM 层。
你将如何重塑它完全取决于你。20 步的 1 个元素？1 步的 20 个元素？10 步的 2 个元素？谁知道呢？
inpD = Input((20,)) outD = Reshape((10,2))(inpD) #假设 10 步的 2 个元素 重要的是要注意，如果你不再有 10 步，你就不能简单地启用 “return_sequences” 并得到你想要的输出。你需要做一些工作。实际上，不需要使用 “return_sequences” 或甚至使用 LSTM，但你可以这样做。
由于我在重塑时有 10 个时间步（故意这样做的），使用 “return_sequences” 是可以的，因为结果将有 10 个时间步（与初始输入相同）
outD1 = LSTM(5,return_sequences=True,...optional parameters...)(outD) #5 个单元，因为我们想要一个 (None,10,5) 的向量。 你可以用许多其他方式工作，比如简单地创建一个不返回序列的 50 单元 LSTM，然后重塑结果：
alternativeOut = LSTM(50,return_sequences=False,...)(outD) alternativeOut = Reshape((10,5))(alternativeOut)然后我们的模型如下：
decoder = Model(inpD,outD1) alternativeDecoder = Model(inpD,alternativeOut) 之后，你用你的代码将模型联合起来并训练自编码器。所有三个模型将具有相同的权重，因此你可以通过使用其 predict 方法来让编码器产生结果。
encoderPredictions = encoder.predict(data)我经常看到关于使用 LSTM 生成序列的内容，通常是预测下一个元素。
你只需取序列的几个元素并尝试找到下一个元素。然后你再取一个向前一步的片段，依此类推。这在生成序列时可能有帮助。
