LSTM面板数据的批量大小（单位：Keras）

我对受试者进行了重复测量，并将其作为输入构建到Keras的LSTM模型中，如下所示：

batch_size = 1
model = Sequential()
model.add(LSTM(50, batch_input_shape=(batch_size, time_steps, features), return_sequences=True))

其中，time_steps是每个受试者的测量数量，features是每个测量的可用特征数量。每行数据都是一个主题

我的问题是关于这类数据的批量大小。 我应该只使用1的批量大小，还是批量大小可以超过1个主题

---

与此相关的是，将stateful设置为True会对我有好处吗？这意味着从一个批次中学习也会告知其他批次。如果我对此的理解不正确，请纠正我。

好问题！对于此类数据和设置，可以使用大于1的批量大小，前提是您的行是针对受试者的单独实验，并且您对每个受试者的观察按时间顺序排列（例如，星期一在星期二之前）。确保您在训练和测试之间的观察结果不是随机分割的，并且您的观察结果是按主题顺序排列的，并且您可以应用批处理。因此，如果默认情况下使用Keras作为Keras批量洗牌观测值，则将洗牌设置为false

关于将stateful设置为true：对于stateful模型，所有状态都会传播到下一批。这意味着，位于下一批的样本XI+BS的计算中使用位于索引I、席席的样本的状态。在时间序列的情况下，这通常是有意义的。如果您认为受试者测量值Si会影响下一个受试者测量值Si+1的状态，请尝试将stateful设置为true。将stateful设置为false也值得一试，以探索并更好地理解之前的观察是否会影响对特定主题的后续观察

希望这有帮助