我很难概念化 Keras 中有状态 LSTM 和无状态 LSTM 之间的区别。我的理解是，在每个批处理结束时，在无状态情况下“网络状态被重置”，而对于有状态情况，网络状态会为每个批处理保留，然后必须在每个纪元的结束。
我的问题如下: 1. 在无状态的情况下，如果批处理之间不保留状态，网络将如何学习？ 2. 什么时候使用 LSTM 的无状态模式和有状态模式？
最佳答案
我建议您首先学习BPTT(Back Propagation Through Time)和小批量SGD(Stochastic Gradient Descent)的概念，然后您将对LSTM的训练过程有进一步的了解。
对于您的问题，
Q1。在无状态情况下，LSTM 更新批处理 1 上的参数，然后为批处理 2 启动隐藏状态和单元状态(通常全为零)，而在有状态情况下，它使用批处理 1 的最后输出隐藏状态和单元状态作为批处理 2 的初始状态。
第二季度。从上面可以看出，当两批中的两个序列有联系时(例如一只股票的价格)，最好使用有状态模式，否则(例如一个序列代表一个完整的句子)则应该使用无状态模式。
顺便说一句，@vu.pham 说如果我们使用有状态 RNN，那么在生产中，网络将被迫处理无限长的序列。这似乎不正确，实际上，正如您在 Q1 中看到的，LSTM 不会学习整个序列，它首先学习批处理 1 中的序列，更新参数，然后学习批处理 2 中的序列。
关于tensorflow - Keras - 有状态 LSTM 与无状态 LSTM，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/39681046/