了解Keras LSTM输入形状

Question

我正在学习使用Keras LSTM模型。我看过this教程，this教程和this教程，不确定对LSTM模型的输入形状的理解。我的问题是，是否像第一个教程（8760、1、8）一样塑造自己的数据，并且一次将数据输入到网络1个时间步，即input_shape =（1，8）使得网络学习了时间依赖性样品之间？

Answer 1

在使用stateful=True时，只有1个时间步的批次才有意义。否则，就不会像您想象的那样存在时间依赖性。

区别是：

• stateful=False，input_shape=(1,any)：
  • 第一批形状（N，1，任意）：包含N个长度为1的不同序列
  • 第二批：包含另外N个长度为1的不同序列
  • 两个批次的总和：2N个长度为1的序列
  • 更多批次：更多独立序列
  • 是的，当stateful=False
  时使用步骤= 1是没有意义的
• stateful=True，input_shape=(1,any)：
  • 第一批形状（N，1，任意）：包含N个不同序列的第一步
  • 第二批：包含相同N个序列的第二步
  • 两个批次的总数：N个长度为2的序列
  • 更多批次=更多相同顺序的步骤，直到调用model.reset_states()

通常，处理stateful=True层更为复杂，如果可以像input_shape=(allSteps, any)那样将整个序列成批放置，则没有理由打开有状态。

如果您想详细了解Keras上的RNN，请see this answer