关于“理解Keras LSTM”的疑问`

我是LSTMs的新手，正在经历一个复杂的过程，对作者的一个漂亮的答案产生了一些愚蠢的怀疑

以下是我的一些疑问：

在

实现一对多

一节中指定了两种方法，我们可以使用

stateful=True

重复获取一个步骤的输出，并将其作为下一个步骤的输入（需要输出功能==输入功能）

在

一对多重复向量图中，重复向量在所有时间步中作为输入馈送，而在
一对多有状态=真的
中，输出在下一时间步作为输入馈送。那么，我们不是通过使用
stateful=True
来改变层的工作方式吗

在构建RNN时，应遵循上述两种方法中的哪一种（使用重复向量或将上一个时间步长输出作为下一个输入）

在

One-to-many with stateful=True

部分下，要更改

One-to-many

的行为，在预测的手动循环代码中，我们如何知道

steps\u to\u predict

变量，因为我们事先不知道输出序列长度

我也不理解整个模型使用

最后一步输出

生成

下一步输出的方式。它让我对
model.predict（）
函数的工作感到困惑。我的意思是，不是
model.predict（）
一次同时预测整个输出序列，而不是遍历要生成的
输出序列数（其值我仍然不知道），然后执行
model.predict（）
来预测给定迭代中的特定时间步输出

我无法理解整个

多对多

案例。任何其他链接都会有帮助

我知道我们使用

model.reset_states（）

来确保新批次独立于前一批次。但是，我们是手动创建序列批次，使一个批次跟随另一个批次，还是在

stateful=True

模式下将序列自动划分为这样的批次

如果是手动完成的，为什么会有人将数据集分成这样的批次，其中一部分序列在一个批次中，另一部分在下一个批次中

最后，将使用

stateful=True

的实际实现或示例/用例是什么（因为这似乎是不寻常的）？我正在学习LSTM，这是我第一次被介绍到Keras中的

stateful

有谁能帮我解释我的愚蠢问题，这样我就可以清楚地了解Keras中的LSTM实现了吗

编辑：要求其中一些人澄清当前答案，另一些人澄清剩余疑问

A。因此，基本上，stateful让我们

在每个批处理后保持或重置
内部状态。那么，如果我们在每批训练后不断地重置内部状态，模型将如何学习？重置是否真的意味着重置参数（用于计算隐藏状态）

B。在
行中，如果stateful=False：自动重置内部状态，重置最后一个输出步骤
。重置最后一个输出步骤是什么意思？我的意思是，如果每一步都产生自己的输出，那么重置最后一步的输出意味着什么，而这也只是最后一步

C。在回答
问题2
和
问题4
的第2点时，我仍然没有让您的
在每次迭代之间操作批处理
，并且需要
有状态的
（
问题2
的最后一行），它只重置状态）。我的观点是，我们不知道在一个时间步长中生成的每个输出的输入

因此，您将序列分解为只包含一个步骤的序列，然后使用
new\u step=model.predict（last\u step）
，但是您如何知道需要重复多长时间（循环必须有一个停止点）？另外，一定要解释有状态的部分（在问题2的最后一行）

D。在
一对多且stateful=True
下的代码中，似乎for循环（手动循环）用于预测下一个单词仅在测试时使用。该模型是否在列车运行时包含该内容，或者我们是否需要在列车运行时手动使用该循环

E。假设我们正在做一些机器翻译工作，我认为在将整个输入（要翻译的语言）输入到输入时间步，然后生成输出（翻译的语言）之后，会发生序列中断每个时间步都将通过
手动循环进行，因为现在我们以输入结束，并开始使用迭代在每个时间步生成输出。我做对了吗

F。由于LSTM的默认工作需要回答中提到的3件事情，因此在序列中断的情况下，
当前输入
和
以前的输出
是否以相同的向量馈送，因为在没有可用的当前输入的情况下，它们的值是相同的

G。在“预测：部分”的“有状态=True的多对多”下，代码如下：

predicted = model.predict(totalSequences)
firstNewStep = predicted[:,-1:]

由于到目前为止，
在当前序列中查找下一个单词的手动循环还没有使用，我如何知道
模型预测的时间步的
计数
。predict（totalSequences）
，以便预测的最后一步（
predicted[：，-1::
）随后将用于生成