Neural network 节省Elman网络权重

我开发了一个基于Elman网络实现的时间序列预测引擎。当我同步使用它时，一切都很好（也就是说，将样本呈现给输入层，进行训练，然后直接从输出神经元读取预测）。但是，当我在训练课程结束时保存网络（权重和偏差）以分离训练和跑步阶段时，我应该如何处理上下文神经元值？我应该从上一个历元/样本中保存它们，还是应该在呈现新样本以获得预测之前将它们重新初始化为0？实际上，我已经尝试了这两种方法，但我从未看到与同步方法相同的结果。

您使用的是什么框架？你能发布你的代码吗？我没有使用任何框架。我从头开始编写预测引擎。我的问题是一个概念性的问题，与递归神经网络有关。基本上，一旦一个网络被训练并且权重以某种方式被保存，当向输入层呈现一个新样本（一个不属于训练阶段的样本）时，上下文神经元应该如何处理？