什么是使用Keras的RNN Layer的return_state输出

Question

我查看了LSTM层的Keras文档，有关RNN参数的信息如下：

keras.layers.LSTM(units, return_state=True)

参数：

return_state：布尔值。是否返回除输出之外的最后一个状态。

输出形状

if return_state：张量列表。第一个张量是输出。其余的张量是最后的状态，每个状态都有形状（batch_size，units）

这就是关于RNN的return_state的所有信息。作为一个初学者，很难理解究竟是什么意思，剩下的张量是最后的状态，每个状态都有形状（batch_size，units），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骤。

但是当我进行在线课程的编程练习时，我遇到了这个问题。以下是作业给出的提示。但我不明白这三种产出意味着什么。

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 LSTM隐藏状态输出为最后一个时间步骤（再次）。

3最后一步的LSTM单元状态。

我总是将输出a视为LSTM的隐藏状态输出，c视为单元状态输出。但是这个人说第一个输出是lstm输出，而第二个输出是隐藏状态输出，这与在线课程指令给出的提示不同（因为提示使用第一个输出作为下一个时间步的隐藏状态输出）。

谁能告诉我更多关于这个的事情？

对于一个更普遍的问题，比如在这种情况下，Keras没有给出初学者友好的可理解的文档或示例，如何更有效地学习Keras？

Answer 1

想想你将如何开始LSTM的迭代。你有一个隐藏状态c，输入x，但你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碰巧是前一个州的输出，这就是为什么你把它作为输入与c一起传递的原因。设置return_state=True时，返回c和h。与输出一起，您将获得3个张量。