TensorFlow LSTM对MNIST进行分类 - 了解不断变化的时间步数

Question

上下文

我正在尝试理解RNN，包括实现（在TensorFlow中）和理论。作为其中的一部分，我使用TensorFlow编写了一个简单的LSTM来对MNIST手写数字进行分类。

为此我使用TensorFlow的var g = function* backflip(query) { yield 123; return 0; }; undefined var a = g(); undefined a.next() Object {value: 123, done: false} a.next() Object {value: 0, done: true} a.next() Object {value: undefined, done: true} ，输入形状为dynamic_rnn（和[batch_size, max_timesteps, number_of_inputs]）。

当我将MNIST图像输入28个时间步长的模型，每个时间步输入28个像素（总共784个像素）时，模型效果很好，训练速度快，达到高精度（约1分钟/纪元，98％）精确度为128个隐藏单位。）

但是，如果我逐个像素地将图像输入到模型中，那么每个输入大小为1的784个时间步长，模型执行得非常差（约30分钟/纪元，最大精度为40％）。

问题：

• 这到底发生了什么？为什么以像素为单位输入图像会导致模型执行得如此糟糕？这是因为没有足够的背景，或者有太多的时间步，或者模型是否有问题？
• 有没有办法改变这一点，以便在逐像素输入图像时模型能够正常工作？我听说过在一定时间内截断反向传播，但TensorFlow文档还不清楚如何做到这一点，我还没有找到任何合适的指南。

代码，如果它有用：

time_major=False