我很难概念化Keras中有状态和无状态LSTM之间的区别。我的理解是，在每个批处理结束时，在无状态情况下“重置网络状态”，而对于有状态情况，每个批处理都保留网络状态，然后必须在每个时代的结束。
我的问题如下： 1.在无状态的情况下，如果状态未在批次之间保留，网络如何学习？ 2.什么时候会使用LSTM的无状态与有状态模式？
答案 0 :(得分：18)
我建议您首先学习BPTT（通过时间反向传播）和小批量SGD（随机梯度下降）的概念，然后您将对LSTM的训练程序有进一步的了解。
如有问题，
Q1。在无状态情况下，LSTM更新batch1上的参数，然后启动batch2的隐藏状态和单元状态（通常全部为零），而在有状态情况下，它使用batch1的最后输出隐藏状态和单元格状态作为batch2的初始状态
Q2。如上所示，当两个批次中的两个序列具有连接（例如一个股票的价格）时，您最好使用有状态模式，否则（例如，一个序列代表一个完整的句子）您应该使用无状态模式。
BTW，@ vu.pham说if we use stateful RNN, then in production, the network is forced to deal with infinite long sequences。这似乎不正确，实际上，正如您在Q1中看到的那样，LSTM WON＆＃39; T 在整个序列中学习，它首先在batch1中学习序列，更新参数，然后在batch2上学习序列。
答案 1 :(得分：5)
网络仍然在每批中从项目i和项目i + 1学习连接。因此，如果您决定使用无状态RNN，通常会将您的系列分成多个段，每个段的长度为N.如果您将这些段提供给网络，它仍然学会预测下一个元素，因为它知道所有以前的元件。
我相信大多数人在实践中使用无状态RNN，因为如果我们使用有状态RNN，那么在生产中，网络被迫处理无限长序列，这可能很麻烦。