Python keras lstm差异无状态和有状态

我试图理解Keras中LSTM层的概念。 我只想确认LSTM的一些行为，并检查我是否正确理解它

假设我有1000个样本，这个样本有1个时间步长，当

stateful = True

这是否与1000个时间步长的1个样品和1个批次大小的1个样品相同

stateful = False

在这里，我还假设在这两种情况下，我有相同的信息只是在不同的形状，我重置我的LSTM层的状态后，每个训练历元

我还认为无状态情况下的批处理大小只对我的训练序列有影响，因为如果我设置

stateful = False 

我可以使用input_形状而不是batch_input_形状。因此，我的LSTM层不需要批次维度，只需要时间步长和特征维度。这是正确的吗

我的结论来自：

如果我有一个多层LSTM网络，如果第一个LSTM层是有状态的，那么所有其他层也应该是有状态的，对吗

我希望有人能理解我的意思并能帮助我。如果我的问题无法理解，请告诉我，我会更新这篇文章

---

谢谢大家。

stateful=True

意味着您保留每个批的最终状态，并将其作为下一批的初始状态传递。

---

因此，是的，在这种情况下，如果你有一批1000个样本或1000批1个样本，情况是一样的。

为什么你同时标记了[stateless]和[stateful]？因为我想了解这两种情况的差异，所以我看到了差异，但在这两种情况下，我会有一个序列，它有1000个时间步，不是吗？因为在无状态情况下，我唯一的样本或序列有1000个时间步，而在有状态情况下，LSTM会将我1000个序列中的1个时间步视为1个序列，对吗？无状态LSTM不存在。如果你没有状态，那么它只是一个普通的神经网络。对于“有状态”的情况，它是不同的，因为有1000个时间步的1个序列，你用不同的参数处理1000个不同的单元格，而有1000个序列，你只通过1个单元格。把你的LSTM网络想象成一条隧道。在第一种情况下，隧道很长，你只能通过一次。在另一种情况下，隧道很短，你要通过它1000次。作为无状态的情况，我理解这意味着return_state=False，这是keras中的标准设置。我忘了提到我指的是一个多对一的案例，但我想我对它的工作原理有了正确的想法，但我真的无法用语言表达出来。所以在第一种情况下，当retun_state=True时，就像我将短隧道连接到一个长隧道，对吗？因此，状态将被传递到每个批。刚刚检查了文档，似乎您是对的，

stateful=True

意味着您保留每个批的最终状态，并将其作为下一批的初始状态传递。因此，是的，在这种情况下，如果你有一批1000个样本或1000批1个样本，可能是相同的。如果你可以更新你的答案，那么我可以将其标记为正确：）