在LSTM（Long Short-Term Memory）模型中，输出可以是连续值。LSTM是一种循环神经网络（RNN）的变种，用于处理序列数据，例如时间序列数据或文本数据。LSTM具有记忆单元和门控机制，可以处理长时间依赖关系，并且在各种任务中取得了广泛的成功。

    在LSTM中，输出可以通过不同的设置来产生不同类型的结果。如果任务是回归问题，即需要预测一个连续值，可以使用一个全连接层将LSTM的输出映射到所需的范围内。例如，如果要预测股票的价格，LSTM可以学习到过去一段时间的模式，并输出一个连续值，表示未来某个时间点的价格。

    另一种情况是分类问题，其中需要预测样本属于哪个类别。在这种情况下，可以使用一个全连接层或softmax层将LSTM的输出转换为概率分布，表示每个类别的概率。例如，如果要预测文本的情感，LSTM可以学习到文本中的情感特征，并输出一个概率分布，表示每个情感类别的可能性。

    总而言之，LSTM模型的输出可以是连续值，也可以是离散值（分类），具体取决于任务的需求和模型的设置。通过适当的调整网络结构和损失函数，可以使LSTM适应各种类型的输出。