上下文
我目前正在Keras中使用 LSTM / GRU 进行一些实验。无论如何，以下问题也与这些网络的一般功能有关，这意味着 答案不一定是针对Keras的 。
在我的实验中，我选择以range(10,105,5)的形式预测线性增长的时间序列，这样显然可以得到良好的结果。我的数据生成器遵循this教程（仅是Keras的TimeSeriesGenerator的实现）。
[[[10. 15.]
[20. 25.]]] => [[30. 35.]]
...
[[[80. 85.]
[90. 95.]]] => [[100. 105.]]
这将产生8 steps_per_epoch和shape (8, 1, 2, 2)的样本。
然后，我在Keras中建立了一个简单的网络，并通过500 epochs对其进行了培训：
model = Sequential()
model.add(GRU(100, activation='relu', input_shape=(n_input, n_features), batch_size=1)) #Could also be a LSTM-layer
model.add(Dense(2)) #Following the target-shape
model.compile(optimizer='adam', loss='mse')
如果我以后能预测一些数据……
x_input = np.array([[90, 95], [100, 105]]).reshape((1, n_input, n_features))
yhat = model.predict(x_input, verbose=0)
...结果/预测是[[111.1233 116.97075]]（对于实验来说足够好->正确的是[[110.0 115.0]]）。
我的问题
很明显，这需要500个纪元。
为了在不增加实际数据的情况下获得更多训练数据（在实际情况下，这也是不可能的），我想到了使用重叠的滑动窗口的想法（上面显示的批次是不重叠的）。
然后批次如下所示：
[[[10. 15.]
[20. 25.]]] => [[30. 35.]]
[[[15. 20.]
[25. 30.]]] => [[35. 40.]]
[[[20. 25.]
[30. 35.]]] => [[40. 45.]]
...
从理论上讲，这对我来说意味着更多的批次，我认为培训质量将相应提高。
无论如何，将此数据馈送到同一网络会导致以下预测：[[121.1334 134.70979]]。嗯，这些预测结果差得多。
我的问题是：