Python 在RNN中每隔两个序列重置LSTM中的c_t和h_t

我正在尝试在Tensorflow中实现RNN，用于文本预测。我使用BasicLSTMCell实现此目的，序列长度为100

如果我理解正确，每次我们输入新序列时，LSTM的输出激活

h_t

和激活

c_t

都会重置（也就是说，它们会沿着序列更新100次，但一旦我们移动到批次中的下一个序列，它们就会重置为0）

---

有没有办法使用Tensorflow防止这种情况发生？也就是说，要在批处理中的所有序列上继续使用更新的

c_t

和

h_t

？（然后在移动到下一批时重置它们）。

我认为您不想这样做，因为批中的每个示例都应该是独立的。如果它们不是，则批大小应为1，序列长度为100*batch_size。通常，您可能希望在批之间保存状态。在这种情况下，您需要将RNN状态保存到一个变量中，或者允许用户使用占位符将其输入。

Keras中有一个

stateful\u RNN

的可能副本，它有一个用途，例如，处理不同长度的序列。是的，但这会像我说的那样在批之间保存它，并且不会将状态应用到批中的下一个序列。我同意大多数情况下，批设置不需要

stateful\n

。然而，有时长序列和宽序列的批次不能很好地放入内存中。