我对LSTM模型中的输入矢量感到困惑，我使用的数据是文本数据，例如， 1,000句话。我有两个有关LSTM输入层的问题：Keras中的LSTM输入
1.如果我将这些句子标记为矢量（我们可以称之为句子矢量），那么Keras中有没有一种方法可以让句子矢量给出文档？应该是单词级别，对不对？
2.第二个问题是LSTM中的3D张量类型。我有1000个句子（样本），如果我想要LSTM在每个时间步读取一个文档，time_step将是1，这是正确的吗？最后一个是输入维度，这个输入维度是每个句子中的单词维度（100）或每个时间步骤（10）中观察到多少个单词？
因此LSTM张量应该是（1000，1，10）或（1000，1,100）
输入格式（nb_samples，time_steps，input_dim）。在你的情况下，样本的数量是句子的数量。时间步骤是句子中单词的数量，因此这将是句子中具有最大单词的单词数量（其他句子必须填充以匹配此长度）。 input_dimension是用于表示每个单词的特征的数量。例如，如果您使用word2vec嵌入，例如100或200维（特征），那将是您的input_dimension。
我不知道第一个问题的答案。我没有Keras的经验。不过，我有一些Tensorflow的工作经验。
对于第二个问题，你有没有意思“我想读LSTM一个一句在每个时间步”。如果你的意图是使用句子序列，我相信这是你在使用LSTM时想要做的，然后你需要定义序列长度（句子的数量将在一个特定的序列中被处理）。序列长度可以通过使用time_step来定义。所以设置time_step = 1会不正确。如果您正在处理句子向量，则最后一个是句子嵌入的向量维度。
例如，如果文档中有1000个句子，则每个句子由大小为100的矢量表示，并且序列长度为5（您想要在一个序列中处理最多5个句子），则张量尺寸将是（无，5,100）。第一个是'无'，以便您可以决定稍后要输入网络的多少个序列（小批次学习）。