时间序列中，神经网络最后一层决定的是 输出多少个变量吗？还是输出一个变量的多少个数据(多少步)呢？
例如：
model.add(LSTM(units=arg.units1, return_sequences=True, input_shape=(features_set.shape[1], features_set.shape[2]),kernel_regularizer=tf.keras.regularizers.l2(arg.l2)))
model.add(Dropout(arg.dropout))
model.add(LSTM(units=arg.units2,kernel_regularizer=tf.keras.regularizers.l2(arg.l2)))
model.add(Dense(units=arg.units_last))
在上面这个代码中，arg.units_last是一个整数、假如是一个2，model.add(Dense(units=arg.units_last)) 代表的是什么呢？代表的是有 arg.units_last 个变量输出吗?还是输出为一个变量label，有arg.units_last 步长的 label 呢？
“Devil组”引证GPT后的撰写：
最后一层的神经网络是一个 Dense 层，其中 arg.units_last 是整数，代表这一层的神经元数量，也就是输出的维度。如果 arg.units_last 是 2，那么这一层会输出 2 维的数据，每个维度对应一个不同的变量。这些变量可以是预测目标的不同特征，也可以是模型输出的不同预测值。如果模型的目标是预测一个单一的时间序列变量，那么这个 Dense 层通常只有一个神经元，表示模型输出的单一预测值。如果这个神经网络被训练用于预测多个变量，则该层通常会有多个神经元，每个神经元对应一个不同的预测目标。如果模型预测的是一个时间序列，则每个预测目标可以有 arg.units_last 步的预测输出。