Keras 有状态与无状态LSTM

我正在尝试在Keras中使用LSTM，我不确定是应该使用statefull还是无状态LSTM。我在网上读了很多资料，但似乎它们不适用于我的案例

我有一个长的预测序列

X=[X1，X2，…，Xn]

和一个长的响应序列

y=[0,0，…，1,1,0，….0]

。它们具有相同的长度，响应只能取值1或0。我的计划是对长预测序列进行二次抽样，并使用短序列（长度4）预测接下来3个时间点的响应。我的训练数据是这样的

[X1,X2,X3,X4],[y5,y6,y7]
[X2,X3,X4,X5],[y6,y7,y8]
...

如果我使用所有这些可用的短系列（示例），我想我应该选择stateful。但是，由于与1相比，y中的0要多得多，因此我将在短响应系列中保留所有具有1的样本（例如：保留此样本

[y5=0，y6=1，y7=0]

），但我将随机丢弃许多其他样本，以实现数据平衡

---

我不确定是否应该在这里使用stateful，因为一些短序列可能彼此相距很远。

我相信您正在尝试使用LSTM训练模型，但您也希望删除该时间序列数据的某些部分，并能够同时训练模型

从技术上讲，只需使用有状态的LSTM并将数据切分为相同的长度，然后提供一个样本权重即可实现这一点。例如，model.fit（x=data，y=class，sample_weight=np.array（[1,1,0,0,0,1]），这将帮助您通过删除索引2,3,4而无需手动将其从数据中删除来实现所需的功能

通常，我们会修改损失，而不是删除时间序列的某些部分，例如错误地将类别1分类将产生比类别0 10倍的损失

---

希望这有帮助

谢谢你的回答。我同意你的看法，我们可以使用样本权重的类权重来达到同样的效果。然而，我最初的系列非常长，需要很长的时间才能将整个故事切分清楚。我想知道如果我删除了很多片会发生什么，我是否仍然应该使用有状态的LSTM？如果您需要删除那么多的数据，那么使用LSTM，LSTM尝试近似从前一个状态到下一个状态的转换函数是没有用的。因此，如果删除两点之间的数据，则数据已断开连接，因此您无法再训练模型，除非您有办法获得LSTM以前的内部状态。您仍然可以毫无问题地训练模型，只需指定断开连接组件的初始状态即可。此外，您可以使用类似于“for loop”的方法，并为概率为P到0的实例随机设置权重。结合损耗修正可以非常有效。或者，您可以将数据分成小块，而不考虑连续性和初始状态，并对其进行训练，这可能会导致性能下降。