Python 使用LSTM进行迭代分类的正确方法是什么

我面临着下面的问题，我想用LSTM训练RNN，用时态关系对数据进行分类，问题是我想迭代地对时间序列中的每个样本进行分类。我将举一个例子，然后解释我面临的问题

下面是一个例子：我想对计算机是否感染了恶意软件进行分类。为此，我每分钟对其进行一次采样，并获取以下特征向量：{cpu使用率，%memory use，network load}。我想基于128个样本创建时间模式，但显然我不能等待128个样本的批次被填满，我需要在得到新样本时从计算机中对样本进行分类

我的难题是如何正确地将数据输入NN并使用tensorflow进行训练。对于包含简单输入->LSTM->类的NN模型：

LSTM_cells = 200
num_classes = 2
lstm_cell = rnn.BasicLSTMCell(LSTM_cells, forget_bias=1.0)
state_in = lstm_cell.zero_state(1, tf.float32)

X = tf.placeholder(tf.float32, [None, 3])
Y = tf.placeholder(tf.float32, [None, num_classes])

X = tf.reshape(X, [1, -1, 3])
rnnex_t, rnn_state = tf.nn.dynamic_rnn( \
    inputs=X, cell=lstm_cell, dtype=tf.float32, initial_state=state_in)
rnnex = tf.reshape(rnnex_t, [-1, LSTM_cells])
out = tf.add(tf.matmul(rnnex, weights['out']), biases['out'])
logits = tf.reshape(out, [-1, num_classes])
prediction = tf.nn.softmax(logits)

# Define loss and optimizer
loss_op = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=logits, labels=Y))
optimizer = tf.train.AdamOptimizer(learning_rate=learning_rate)
train_op = optimizer.minimize(loss_op)

具体来说，我可以每次创建一个长度为1的样本，并将其传递给序列长度为1的

tf.nn.dynamic\u rnn

，在这种情况下，状态应该是什么？应该更新吗？我可以创建一个增量数组，它将保存最后128个并使用最后一个分类，但是，我是否应该重用上次更新的状态？为在线分类和培训保留不同的状态？我应该在每次迭代中训练模型，还是等待一整批128个样本（完全断开在线训练）

---

感觉有很多可能的组合，每个组合都有一定的意义，但同时与使用LSTM的“正常”方式相矛盾。

在我看来，容纳最后128个的增量数组是go@Primusathx，这也是我的最爱之一，但对我来说，国家仍然是一个悬而未决的问题。是否应在每个步骤上更新（从上次分类中获取状态）？训练中会发生什么？这完全取决于你。只要您将数据保持为（样本、时间步、特征）的形式，并且对于每个样本，您将128个时间步映射到一个输出，任何一种方法都可以工作。我会同时测试有状态和无状态。@Primusa，你说的无状态是什么意思？是否将空数组作为状态传递？