我查看了 LSTM 层的 Keras 文档，关于 RNN 参数的信息如下:
keras.layers.LSTM(units, return_state=True)
参数:
return_state: bool 值。除了输出之外是否返回最后一个状态。
输出形状
if return_state:张量列表。第一个张量是输出。剩下的张量是最后的状态，每个状态的形状都是(batch_size, units)
这就是关于 RNN 的 return_state 的所有信息。作为初学者，真的很难理解剩下的张量是最后一个状态，每个状态都是shape(batch_size,units)到底是什么意思，不是吗？
我知道有细胞状态 c 和隐藏状态 a 将被传递到下一个时间步。
但是我在做网课编程练习的时候遇到了这个问题。贝娄是作业给出的提示。但是我不明白这三个输出是什么意思。
from keras.layers import LSTM
LSTM_cell = LSTM(n_a, return_state = True)
a, _, c = LSTM_cell(input_x, initial_state=[a, c])
有人说，他们分别是(https://machinelearningmastery.com/return-sequences-and-return-states-for-lstms-in-keras/):
1 最后一个时间步的 LSTM 隐藏状态输出。
2 最后一个时间步的 LSTM 隐藏状态输出(再次)。
3 最后一个时间步的 LSTM 单元状态。
我总是将输出 a 视为 LSTM 的隐藏状态输出，将 c 视为单元状态输出。但是这个人说第一个输出是lstm输出，而第二个是hidden state输出，这和网课教程给的hint不一样(因为hint是用第一个输出作为下一个time step的hidden state输出).
谁能告诉我更多关于这方面的信息？
对于更一般的问题，比如在这种情况下，Keras 没有提供初学者友好易懂的文档或示例，如何更有效地学习 Keras？
最佳答案
考虑如何开始 LSTM 的迭代。您有一个隐藏状态 c，一个输入 x，但您还需要一个所谓的先前输出 h，它与 x 连接。因此，LSTM 有两个需要初始化的隐藏张量:c 和 h。现在 h 恰好是前一个状态的输出，这就是为什么您将它作为输入与 c 一起传递的原因。当您设置 return_state=True 时，c 和 h 都会返回。因此，连同输出，您将收到 3 个张量。
关于python - 使用 Keras 的 RNN 层的 return_state 输出是什么，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/49122806/