keras LSTM详解

### Keras 中 LSTM 的详细介绍

#### 构建LSTM模型结构
在构建LSTM网络时，通常会定义一个顺序模型`Sequential()`并逐步添加各层。对于时间序列预测任务而言，可以采用如下方式创建基础架构：

from keras.models import Sequential
from keras.layers import LSTM, Dense

model = Sequential()

#### 添加LSTM层配置
为了使多个LSTM层能够连续工作，在前几层中应当设定`return_sequences=True`属性[^2]。这表示该层不仅返回最后一个时间步的结果，而是输出整个序列的信息给下一层处理。

# 假设输入数据维度为 (batch_size, timesteps, features)
model.add(LSTM(64, input_shape=(timesteps, features), return_sequences=True))

#### 设置激活函数与输入形状
可以选择不同的激活函数来增强表达能力，默认情况下LSTM单元内部使用的激活函数是`tanh`。如果希望自定义，则可以在初始化LSTM层的时候指定它；同时也要注意正确指明输入张量的具体尺寸[^3]。

model.add(LSTM(50, activation='relu', input_shape=(width, features)))

#### 多层堆叠实现更复杂的特征提取
通过增加更多隐藏层的数量可以让神经元之间形成更加复杂的关系网路，从而捕捉到更为抽象的数据模式。除了第一个LSTM层外，后续的LSTM层不需要再声明输入大小，因为它们可以直接从前一层次接收信息流。

model.add(LSTM(32, return_sequences=True))  # 继续保持序列化输出供下一个LSTM层使用
model.add(LSTM(10))                         # 最终LSTM层不再保留全部时间步骤的状态

#### 编译模型准备训练过程
完成上述搭建之后就可以调用compile方法来进行编译操作了。这里需要选择合适的优化器(optimizer)，损失函数(loss function)以及评估指标(metrics)[^1]。

model.compile(optimizer='adam', loss='mean_squared_error')