kernel和一个recurrent_kernel。它们的含义是什么？在我的理解中，我们需要为LSTM单元的4个门设置权重。然而，在Keras实现中，kernel的形状为(input_dim, 4*units)，而recurrent_kernel的形状为(units, 4*units)。那么，它们两个是否都以某种方式实现了门控制呢？如果我理解错了，请纠正我，但是如果你看一下LSTM的方程：
你会发现有4个W矩阵可以转换输入和4个U矩阵可以转换隐藏状态。
Keras将这些4个矩阵的集合保存在kernel和recurrent_kernel权重数组中。从使用它们的代码中可以看到：
self.kernel_i = self.kernel[:, :self.units]
self.kernel_f = self.kernel[:, self.units: self.units * 2]
self.kernel_c = self.kernel[:, self.units * 2: self.units * 3]
self.kernel_o = self.kernel[:, self.units * 3:]
self.recurrent_kernel_i = self.recurrent_kernel[:, :self.units]
self.recurrent_kernel_f = self.recurrent_kernel[:, self.units: self.units * 2]
self.recurrent_kernel_c = self.recurrent_kernel[:, self.units * 2: self.units * 3]
self.recurrent_kernel_o = self.recurrent_kernel[:, self.units * 3:]
显然，这4个矩阵被存储在权重数组中，沿第二维连接起来，这就解释了权重数组的形状。