序列长度在LSTM中的作用

Question

我有更多关于LSTM的抽象问题。

所以我有时间序列数据，一长串让我们说30.000个数据点。

对于Tensorflow中的LSTM，输入形状为[batch_size，time_steps，features]。我的批量大小等于1，因为我只有一个时间序列。

现在我的问题是关于序列长度的作用。

我可以使用timestep = 1将整个时间序列传递到张量流LSTM，在这种情况下，整个时间序列将逐个插入到LSTM中。或者我可以使用一些＆gt; 1个时间步长并使其成为序列到序列模型。

这样，我可以一次插入7个数据点（=一周的数据）并预测7个输出（=未来一周）。

问题是，我们知道LSTM的隐藏状态最终将记住整个数据集（如果我们做足够的训练时期）。那么

之间有什么区别呢

a）时间步长= 1，我预测前一段时间，并将预测重新插入神经网络7次，

b）时间步长= 7，我预测序列为7（=一周）。

Answer 1

实际上，seq2seq（即你的第二个例子）训练起来要困难得多。在拟人化的术语中，你的lstm将面临相当大的压力，要将所有输入编码为单个向量，这个过程会丢弃相当多的信息，并以某种方式将单个向量解码为正确的7个输出顺序。