lstm参数理解

lstm输入为：shape= (samples,time_steps,input_dim)
samples ：样本数量
time_steps：时间步长
input_dim：每一个时间布上的纬度
样本数为N，步长为1，数据集(A,B,C,D)四个属性，D为标签，输入：shape=（N,1,4）
具体数据：[A(t-1),B(t-1),C(t-1),D(t-1)]表示一个数据样本，样本标签[D(t)]
样本数为N，步长为2，数据集(A,B,C,D)四个属性，D为标签，输入：shape=（N,2,4）
具体数据：[A(t-2),B(t-2),C(t-2),D(t-2),A(t-1),B(t-1),C(t-1),D(t-1)]仍表示一个数据样本，样本标签D(t)

lstm输出：output_dim：
return_sequence = True,返回(samples,time_steps,output_dim) 3D张量
return_sequence = False，返回(samples,output_dim) 2D张量
例如：shape=(N,2,8),同时output_dim = 32, return_sequence = True时返回（N,2,32）
return_sequence = False时，返回为（N，32）表示输出序列的最后一个输出

# as first layer in a sequential model:
model = Sequential()
model.add(Dense(32, input_shape=(16,)))
# now the model will take as input arrays of shape (*, 16)
# and output arrays of shape (*, 32)
# 现在模型将采用形状的输入数组（*，16），和形状的输出数组（*，32）

# after the first layer, you don't need to specify
# the size of the input anymore:在第一层之后，您不再需要指定输入的大小：
model.add(Dense(32)) # 定义32个节点

model.predict 和model.evaluate的区别