更新了问题：这是一个很好的资源：http://machinelearningmastery.com/understanding-stateful-lstm-recurrent-neural-networks-python-keras/
请参阅＆＃34;批次中的LSTM状态＆＃34;。
如果我正确地解释了这一点，作者不需要将数据重新整形为x，y，z（正如他在前面的例子中所做的那样）;他只是增加了批量大小。因此，LSTM单元隐藏状态（从一个时间步骤传递到下一个步骤的状态）从第0行开始，并且一直持续更新，直到批处理中的所有行都完成为止？是吗？
如果这是正确的，为什么一个人需要时间步长大于1？我可以不按顺序堆叠所有时间序列行，并将它们作为单个批次提供吗？
原始问题： 我试图理解为张量流量塑造数据的正确方法，尤其是在time_steps附近。四处阅读只会让我更加困惑，所以我想我会陷入其中并问。
我试图对时间序列数据进行建模，其中时间t的数据宽度为5列（5个要素，1个标签）。
那么t-1还将有另外5个功能和1个标签 这是一个有2行的例子。 x = [1,1,1,1,1] y = [5] x = [2,2,2,2,2] y = [15]
我通过将1x1x5矩阵输入到我的x变量中来获得RNN模型。这意味着我的时间步骤＆＃39;尺寸为1.但是与上面的例子一样，我输入的第二行与第一行相关（15 = 5 +（2 + 2 + 2 + 2 + 20，如果您没有发现它）
我目前输入的方式是否正确？时间戳维度如何工作？
或者我应该把它当作批量大小，行，列在我脑海中？
无论哪种方式都可以告诉我，我应该将输入数据重塑为什么尺寸？为了论证，假设我已将数据拆分为1000个批次。因此，在这1000行中，我想要对每一行进行预测，但RNN应该在我的批次中查看其上方的行以找出答案
x1 = [1,1,1,1,1] y = [5] x2 = [2,2,2,2,2] y = [15] ... 等