keras lstm 区别 stateless 和 stateful答案

【问题标题】：keras lstm difference stateless and statefulkeras lstm 区别 stateless 和 stateful
【发布时间】：2019-03-31 08:18:49
【问题描述】：

我正在尝试理解 Keras 中 LSTM 层的概念。我只是想确认一下 LSTM 的一些行为并检查我是否理解正确。

假设我有 1000 个样本，并且这些样本有 1 个时间步长，并且我的批量大小为 1

stateful = True

这是否与 1 个具有 1000 个时间步长且批量大小为 1 的样本相同

stateful = False

在这里，我还假设在这两种情况下，我都有相同的信息，只是形状不同，并且在每个训练时期后我都会重置 LSTM 层的状态。

我也认为无状态情况下的批量大小只对我的训练序列很重要，因为如果我设置了

stateful = False

我可以使用 input_shape 代替 batch_input_shape。所以我的 LSTM 层不需要批量维度，只需要时间步长和特征维度。这是正确的吗？

我的结论来自：

https://github.com/keras-team/keras/blob/master/keras/layers/recurrent.py#L1847

When does keras reset an LSTM state?

Understanding Keras LSTMs

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，对吧？

我希望有人理解我的意思并可以帮助我。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。

【问题讨论】：

你为什么要同时标记这个 [stateless] 和 [stateful]？
因为我想了解这两种情况的差异

标签： python keras lstm stateless stateful

【解决方案1】：

stateful=True 表示您保留每批的最终状态并将其作为下一批的初始状态传递。所以是的，在这种情况下，如果您有 1 批 1000 个样品或 1000 批 1 个样品，情况相同。

【讨论】：

好吧，我看到了区别，但在这两种情况下，我都会有 1 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 个时间步长，而在有状态情况下，LSTM 会将我的 1000 个序列中的 1 个时间步长视为 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，情况有所不同，因为使用 1000 个时间步长的 1 个序列，您可以处理 1000 个具有不同参数的不同单元格，而对于 1000 个序列，您只通过 1 个单元格。想象你的 LSTM 网络就像一个隧道。在第一种情况下，隧道很长，您只经过一次。在另一种情况下，隧道很短，你要穿过它 1000 次。
作为无状态案例，我理解这意味着 return_state=False，这是 keras 中的标准设置。我忘了提到我的意思是多对一的情况，但我很清楚它是如何工作的，但我真的无法用语言表达。因此，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一样，对吗？所以状态将被传递给每个批次
刚刚检查了文档，看来您是对的，stateful=True 表示您保留每批的最终状态并将其作为下一批的初始状态传递。所以是的，在这种情况下，如果您有 1 批 1000 个样品或 1000 批 1 个样品，这可能是相同的
好的，如果你能更新你的答案，我可以把它标记为正确:)