Keras 的有状态 LSTM 中的一批样本之间的状态是否保留？

Question

假设我要对时间序列进行分类，每个时间序列都有 33 个时间步。我把它们分成更小的块。 所以假设我有以下输入X_1，维度是(32,3,1)，所以32个样本，3个时间步长，1个特征：

[
    [[1],  [2],  [3]]  # step 1 to step 3 from time series 1
    [[11], [14], [17]] # step 1 to step 3 from time series 2
    [[3],  [5],  [7]]  # step 1 to step 3 from time series 3
    ...
    [[9],  [7],  [2]]  # step 1 to step 3 from time series 32
]

和 Y = [A, A, B, …, B] 包含这批中 32 个时间序列中每个时间序列的标签。

现在我运行model.fit(X_1, Y)。

然后我将每个时间序列的接下来的 3 个时间步长设为X_2：

[
    [[4],  [5],  [6]]  # step 4 to step 6 from time series 1
    [[20], [23], [26]] # step 4 to step 6 from time series 2
    [[9],  [11], [13]] # step 4 to step 6 from time series 3
    ...
    [[8],  [1],  [9]]  # step 4 to step 6 from time series 32
]

同样的Y = [A, A, B, …, B]。

因为我已经拆分了时间序列，所以我使用有状态模型，以便将来自X_1 的状态保存到X_2。

我再次运行model.fit(X_2, Y)。我重复这个直到我到达X_11，其中包含来自我的输入数据的时间步长 31 到 33。在我打电话给model.fit(X_11, y) 之后，我会打电话给model.reset_states()，因为我已经完成了第一批 32 个时间序列，我可以从头开始重新开始一个新的一批 32 个时间序列。

至少到目前为止，我认为这是做到这一点的方法。但是现在我读到，默认情况下，批次中的样本会保留状态，这是否意味着 X_0 中时间序列 1 的前 3 步的状态也用于时间序列 2 的前 3 步?因为那没有意义，他们没有共同点，国家不应该在他们之间共享。那么什么是正确的呢？

Answer 1

不，状态是其中一个维度是批量大小的矩阵，这意味着每个样本有一行状态。

系列 1 不与系列 2 通信。