Tensorflow 2.0 - LSTM状态性和输入大小

在TensorFlow 2.0中，长短期记忆（LSTM）网络是一种特殊类型的循环神经网络（RNN），它可以学习长期依赖性。LSTM的关键概念是其“状态性”和“输入大小”。

1. 状态性：在LSTM中，状态性是指网络在处理序列数据时保留的信息。LSTM有两种状态，即隐藏状态（或称为短期状态）和单元状态（或称为长期状态）。隐藏状态是网络的输出，而单元状态是网络内部的“记忆”。这两种状态在每个时间步都会更新，使得LSTM能够在处理长序列时保留重要信息。
2. 输入大小：输入大小是指每个时间步输入到网络的数据的维度。例如，如果你正在处理单词序列，每个单词都表示为一个大小为N的向量，那么你的输入大小就是N。在TensorFlow中，你可以通过设置LSTM层的input_shape参数来指定输入大小。

在TensorFlow 2.0中，你可以使用以下代码创建一个LSTM层：

lstm_layer = tf.keras.layers.LSTM(units, return_sequences=True, return_state=True)

其中，units是LSTM层的输出维度（也是隐藏状态的维度），return_sequences决定是否在每个时间步返回隐藏状态，return_state决定是否在最后一个时间步返回隐藏状态和单元状态。