参数 object 模型或层对象
units 正整数，输出空间的维度。
激活要使用的激活函数。默认值：双曲正切 (tanh)。如果传递 NULL，则不应用激活（即“线性”激活：a(x) = x）。
recurrent_activation 用于循环步骤的激活函数。
use_bias 布尔值，层是否使用偏置向量。
return_sequences 布尔值。是返回输出序列中的最后一个输出，还是返回完整序列。
return_state 布尔值（默认为 FALSE）。是否返回除了输出之外的最后一个状态。
go_backwards 布尔值（默认为 FALSE）。如果为 TRUE，则反向处理输入序列并返回反向序列。
有状态的布尔值（默认为 FALSE）。如果为 TRUE，则批次中索引 i 处的每个样本的最后状态将用作下一批中索引 i 的样本的初始状态。
展开布尔值（默认为 FALSE）。如果为 TRUE，则网络将展开，否则将使用符号循环。展开可以加速 RNN，尽管它往往更占用内存。展开仅适用于短序列。
kernel_initializer 内核权重矩阵的初始化器，用于输入的线性变换。
循环内核权重矩阵的初始化器，用于循环状态的线性变换。
bias_initializer 偏置向量的初始化器。
unit_forget_bias 布尔值。如果为 TRUE，则在初始化时将遗忘门的偏差加 1。将其设置为 true 也会强制bias_initializer="zeros"。这是 Jozefowicz 等人推荐的。
kernel_regularizer 应用于核权重矩阵的正则化函数。
应用于recurrent_kernel 权重矩阵的recurrent_regularizer 正则化函数。
应用于偏置向量的正则化函数bias_regularizer。
activity_regularizer 正则化函数应用于层的输出（它的“激活”）..
kernel_constraint 应用于核权重矩阵的约束函数。
reverse_constraint 应用于recurrent_kernel 权重矩阵的约束函数。
bias_constraint 应用于偏置向量的约束函数。
dropout 介于 0 和 1 之间的浮点数。为输入的线性变换而丢弃的单位的分数。
recurrent_dropout 介于 0 和 1 之间的浮点数。对于循环状态的线性变换，要丢弃的单位的分数。
input_shape 输入（整数）的维度，不包括样本轴。将此层用作模型中的第一层时需要此参数。
batch_input_shape 形状，包括批量大小。例如，batch_input_shape=c(10, 32) 表示预期输入将是 10 个 32 维向量的批次。batch_input_shape=list(NULL, 32) 表示任意数量的 32 维向量的批次。
batch_size 层的固定批量大小
dtype 输入期望的数据类型，作为字符串（float32、float64、int32...）
name 图层的可选名称字符串。在模型中应该是唯一的（不要重复使用相同的名称两次）。如果未提供，它将自动生成。
trainable 训练期间是否会更新层权重。
weights 层的初始权重。