1、LSTM 的参数输入格式
一般表示为[batch_size, time_step, input_size]
中文解释为[每一次feed数据的行数，时间步长，输入变量个数]
2、input_size
如果你使用7个自变量来预测1个因变量，那么input_size=7，output_size=1
如果你使用8个自变量来预测3个因变量，那么input_size=8，output_size=3
这个还是比较好理解的，你的输入数据，想要通过什么变量预测什么变量应该是比较清楚的.
3、batch_size
如果你的数据有10000行，训练100次把所有数据训练完，那么你的batch_size=10000/100=100；如果你的数据有20000行，同样训练100次把所有数据训练完，那么你的batch_size=20000/100=200；如果你的数据有20000行，训练50次把所有数据训练完，那么你的batch_size=20000/50=400……以此类推
一般的batch_size小于100，来使你的训练结果更好，一次feed太多行数据，模型容易吃撑，消化不良。
4、time_step
之前的batch_size中只是规定了一个每次feed多少行数据进去，并没有涵盖一个时间的概念进去，如果你的数据都是按照时间排列的，batch_size是100的话，time_step=10，则在第1次训练的时候，用前100行数据进行训练，而在这其中每次给模型10个连续时间序列的数据。
具体请看下图示例。
[batch_size, time_step, input_size]=[30,5,7]time_step=n, 就意味着我们认为每一个值都和它前n个值有关系
-
上图中，黑色框代表的就是一个batch_size中所含有的数据的量。从上到下的3个红色框就为 time_step为5的时候，每次细胞输入门所输入的数据量。
-
列B~列H，一共7列，为 input_size。
再看下图
time_step=n, 就意味着我们认为每一个值都和它前n个值有关系
- 假如没有time_step这个参数， [input_size=7，batch_size=30]，一共只需要1次就能训练完所有数据。
- 如果有，那么变成了 [input_size=7，batch_size=30, time_step=5]，需要30-5+1=26，需要26次数据连续喂给模型，中间不能停。
- 在26次中每一次都要把上一次产生的y，与这一次的5行连续时间序列数据一起feed进去，再产生新的y
- 以此往复，直到此个batch_size 结束。
5、结语
- input_size 是根据你的训练问题而确定的。
- time_step是LSTM神经网络中的重要参数，time_step在神经网络模型建好后一般就不会改变了。
- 与time_step不同的是，batch_size是模型训练时的训练参数，在模型训练时可根据模型训练的结果以及loss随时进行调整，达到最优。
转载于：DeepLearning之LSTM模型输入参数：time_step, input_size, batch_size的理解[通俗易懂]-腾讯云开发者社区-腾讯云