例如這樣一個(gè)數(shù)據(jù)集合靠闭，總共100條句子供汛，每個(gè)句子20個(gè)詞戈擒，每個(gè)詞都由一個(gè)80維的向量表示倒脓。在lstm中单绑，單個(gè)樣本即單條句子輸入下（shape是 [1 , 20, 80]）恶守，假如設(shè)定每一個(gè)time step的輸入是一個(gè)詞（當(dāng)然這不一定养晋，你也可以調(diào)成兩個(gè)詞或者更多個(gè)數(shù)的詞）温兼，則在t0時(shí)刻是第一個(gè)時(shí)間步栏账，輸入x0則為代表一條句子（一個(gè)樣本）中第1個(gè)詞的80維向量帖族，t1是第二個(gè)時(shí)間步，x1表示該句子中第2個(gè)詞的80維向量挡爵，依次類推t19輸入是最后一個(gè)詞即第20個(gè)詞的向量表示竖般。
常見的tf或者keras中l(wèi)stm的參數(shù)（samples， timestep茶鹃， input_dim）涣雕，samples是指批量訓(xùn)練樣本的數(shù)量， timestep是時(shí)間步（這個(gè)時(shí)間步可自己設(shè)置）比如上面說的20闭翩，input-dim是每個(gè)time step的輸入shape
假設(shè)輸入的樣本是一條條的句子：
樣本1:“”富強(qiáng)挣郭，民主，文明疗韵，和諧兑障，自由，平等，公正流译，法治逞怨，愛國(guó)，敬業(yè)福澡，誠(chéng)信叠赦，友善“”
樣本2:“”實(shí)現(xiàn)偉大中國(guó)夢(mèng)“”
樣本3:“”跑得比誰都快“”
對(duì)于這樣的不同長(zhǎng)度的樣本，因?yàn)殚L(zhǎng)短不一革砸，需要先編碼除秀，embedding成相同維度的數(shù)據(jù)。比如每個(gè)句子embedding成shape為[24, 80]业岁，這樣的話，若批訓(xùn)練的BatchSize是1的話寇蚊， A假如你的時(shí)間步設(shè)置為12笔时，那么需要將單個(gè)樣本X, reshape成【1,12,160】，輸入到LSTM仗岸，此時(shí)LSTM中每個(gè)時(shí)間步輸入X_t的shape是[1,160];
B假如你的時(shí)間步設(shè)置為24允耿，那么需要將單個(gè)樣本X, reshape成【1, 24, 80】, 輸入到LSTM, 此時(shí)LSTM每個(gè)時(shí)間步輸入X_t的shape就是【1,80】.
盜用下知友的圖如下， X_t就是下圖中的X0扒怖，X1较锡，.....Xn：
其實(shí)，從另一個(gè)角度也可以區(qū)分盗痒，time_step是神經(jīng)網(wǎng)絡(luò)的參數(shù)蚂蕴，網(wǎng)絡(luò)建好了便不會(huì)改變；batch是訓(xùn)練參數(shù)俯邓，在訓(xùn)練時(shí)可根據(jù)效果隨時(shí)調(diào)整骡楼。
