Keras LSTM 层实现背后的架构是什么？

Keras 中 LSTM 层的输入维度如何转换为输出维度？从阅读可拉的博客文章 http://colah.github.io/posts/2015-08-Understanding-LSTMs/，看起来好像有"timesteps"（又名input_dim或中的第一个值input_shape）应等于神经元的数量，神经元的数量应等于该 LSTM 层的输出数量（由units论证LSTM layer).

来自阅读这个帖子 https://stats.stackexchange.com/questions/274478/understanding-input-shape-parameter-in-lstm-with-keras，我了解输入形状。我感到困惑的是 Keras 如何将输入插入到每个 LSTM“智能神经元”中。

Keras LSTM 参考 https://keras.io/layers/recurrent/#lstm

让我困惑的示例代码：

model = Sequential()
model.add(LSTM(32, input_shape=(10, 64)))
model.add(Dense(2))

由此，我认为 LSTM 层有 10 个神经元，每个神经元都被输入一个长度为 64 的向量。然而，它似乎有 32 个神经元，我不知道每个神经元输入了什么。据我所知，为了将 LSTM 连接到密集层，我们只需将所有 32 个输出插入到 2 个神经元中的每一个即可。让我困惑的是 LSTM 的输入层。

(类似的帖子，但不完全是我需要的 https://stackoverflow.com/questions/39969717/how-to-process-input-and-output-shape-for-keras-lstm)

2020 年重新审视和更新：我是部分地正确的！该架构有 32 个神经元。 10 代表时间步值。每个神经元都被输入一个 64 长度的向量（可能代表一个单词向量），代表 10 个时间步长的 64 个特征（可能是 64 个有助于识别单词的单词）。

32代表神经元的数量。它代表该层有多少个隐藏状态，也代表输出维度（因为我们在每个 LSTM 神经元的末尾输出一个隐藏状态）。

最后，最后一个时间步从 32 个神经元生成的 32 维输出向量被馈送到 2 个神经元的密集层，这基本上意味着将 32 长度向量插入到两个神经元，并在输入和激活上赋予权重。

更多阅读一些有帮助的答案：

• 了解 Keras LSTM https://stackoverflow.com/questions/38714959/understanding-keras-lstms
• 当我创建一个包含 N 个单元的有状态 LSTM 层时，我到底要配置什么 https://stackoverflow.com/questions/44273249/in-keras-what-exactly-am-i-configuring-when-i-create-a-stateful-lstm-layer-wi
• 初始化 LSTM 隐藏状态 喀拉斯 https://stackoverflow.com/questions/42415909/initializing-lstm-hidden-state-tensorflow-keras