我對LSTM模型中的輸入矢量感到困惑，我使用的數據是文本數據，例如， 1,000句話。我有兩個有關LSTM輸入層的問題：Keras中的LSTM輸入
1.如果我將這些句子標記爲矢量（我們可以稱之爲句子矢量），那麼Keras中有沒有一種方法可以讓句子矢量給出文檔？應該是單詞級別，對不對？
2.第二個問題是LSTM中的3D張量類型。我有1000個句子（樣本），如果我想要LSTM在每個時間步讀取一個文檔，time_step將是1，這是正確的嗎？最後一個是輸入維度，這個輸入維度是每個句子中的單詞維度（100）或每個時間步驟（10）中觀察到多少個單詞？
因此LSTM張量應該是（1000，1，10）或（1000，1,100）
輸入格式（nb_samples，time_steps，input_dim）。在你的情況下，樣本的數量是句子的數量。時間步驟是句子中單詞的數量，因此這將是句子中具有最大單詞的單詞數量（其他句子必須填充以匹配此長度）。 input_dimension是用於表示每個單詞的特徵的數量。例如，如果您使用word2vec嵌入，例如100或200維（特徵），那將是您的input_dimension。
我不知道第一個問題的答案。我沒有Keras的經驗。不過，我有一些Tensorflow的工作經驗。
對於第二個問題，你有沒有意思「我想讀LSTM一個一句在每個時間步」。如果你的意圖是使用句子序列，我相信這是你在使用LSTM時想要做的，然後你需要定義序列長度（句子的數量將在一個特定的序列中被處理）。序列長度可以通過使用time_step來定義。所以設置time_step = 1會不正確。如果您正在處理句子向量，則最後一個是句子嵌入的向量維度。
例如，如果文檔中有1000個句子，則每個句子由大小爲100的矢量表示，並且序列長度爲5（您想要在一個序列中處理最多5個句子），則張量尺寸將是（無，5,100）。第一個是'無'，以便您可以決定稍後要輸入網絡的多少個序列（小批次學習）。