Python 如何使用有状态LSTM进行预测？

好的，所以我训练了一个有状态的LSTM角色。就准确性而言，它似乎做得不太差，但我知道我想创作自己的莎士比亚作品

问题是，我如何从中实际生成预测

特别是，模型批输入形状为（128、128、63），输出形状为（128、128、63）。（第一个数字是批量大小，第二个数字是预测输入和输出的长度，第三个数字是文本中不同字符的数量。）

例如，我想：

• 从空文本开始生成各种预测
• 从小的起始文本（例如“PYRULEZ:”）开始生成预测

考虑到LSTM的工作方式，这应该是可能的

以下是用于生成和拟合模型的代码片段：

model = Sequential()
model.add(LSTM(dataY.shape[2], batch_input_shape=(128, dataX.shape[1], dataX.shape[2]), return_sequences = True, stateful=True, activation = "softmax"))
model.summary()
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics = ['acc'])
model.fit(dataX, dataY, epochs = 1, batch_size = 128, verbose=1, shuffle = False)

看看其他代码示例，我似乎需要以某种方式修改它，但我不确定具体修改的方式

---

如果有帮助的话，我可以包括整个代码示例。它是独立的。

简单。将您的输入放入带有适当参数的

model.predict（）

（参见文档），连接输入和输出（模型预测的链逐渐变长）。根据您组织培训的方式，输出将一次添加一个角色。更准确地说，如果你训练一个序列一个序列移位，你的输出序列将理想地成为你的输入序列移位一个元素；PYRULEZ->YRULEZ*因此您需要获取输出的最后一个字符，并将其添加到先前的（输入）序列中

如果需要长行文本，可能需要将序列长度限制为循环中的某些字符数。文本中的许多长期依赖关系都是通过LSTM单元的状态向量进行的（不是与之交互的东西）

伪代码ish：

for counter in range(output_length):
    output = model.predict(input_)
    input_ = np.concatenate((input_, output[:,-1,:]), axis=1)

---

我看不到predict的选项允许您输入小于输入大小的输入。@PyRulez将批输入形状更改为

[128，None，dataXshape[2]]

以具有可变输入长度。