我在理解TensorFlow中的LSTM模型时遇到了一些困难。
我使用tflearn作为包装器，因为它可以自动完成所有初始化和其他高级操作。为了简单起见，我们考虑这个示例程序。直到第42行，net = tflearn.input_data([None, 200])，发生的事情非常清楚。你将数据集加载到变量中，并使其长度标准化（在这种情况下为200）。输入变量和两个类别都被转换为独热向量。
LSTM是如何接受输入的？ 它是基于多少个样本来预测输出的？
net = tflearn.embedding(net, input_dim=20000, output_dim=128)代表什么？
我的目标是复制论文中的活动识别数据集。例如，我想将一个4096维的向量作为LSTM的输入，计划输入16个这样的向量，然后生成分类结果。我认为代码看起来会像这样，但我不知道如何向LSTM提供输入。
from __future__ import division, print_function, absolute_importimport tflearnfrom tflearn.data_utils import to_categorical, pad_sequencesfrom tflearn.datasets import imdbtrain, val = something.load_data()trainX, trainY = train #每个X样本是一个(16,4096)的nd float64 valX, valY = val #每个Y是一个101类的独热向量。net = tflearn.input_data([None, 16,4096])net = tflearn.embedding(net, input_dim=4096, output_dim=256)net = tflearn.lstm(net, 256)net = tflearn.dropout(net, 0.5)net = tflearn.lstm(net, 256)net = tflearn.dropout(net, 0.5)net = tflearn.fully_connected(net, 101, activation='softmax')net = tflearn.regression(net, optimizer='adam', loss='categorical_crossentropy')model = tflearn.DNN(net, clip_gradients=0., tensorboard_verbose=3)model.fit(trainX, trainY, validation_set=(testX, testY), show_metric=True, batch_size=128,n_epoch=2,snapshot_epoch=True)回答：
基本上，LSTM一次接受一个单元的向量大小：
lstm = rnn_cell.BasicLSTMCell(lstm_size, forget_bias=1.0)然后，你想输入多少个时间序列？这取决于你输入的向量。X_split中的数组数量决定了时间步数：
X_split = tf.split(0, time_step_size, X)outputs, states = rnn.rnn(lstm, X_split, initial_state=init_state)在你的例子中，我猜lstm_size是256，因为它是一个单词的向量大小。time_step_size将是训练/测试句子中的最大词数。
请看这个例子：https://github.com/nlintz/TensorFlow-Tutorials/blob/master/07_lstm.py
