在 Keras 中使用 LSTM 进行预测时，隐藏状态是否仍在调整？
When predicting with an LSTM in Keras, is the hidden state still adjusted?
当我第一次在 Keras 中用序列数据训练 LSTM 时——我的训练数据——
然后用model.predict()以我的测试数据为输入进行预测，LSTM的隐藏状态还在调整吗？
神经网络的基本操作是获取一个输入（向量），该输入（向量）通过连接连接到输出，有时还连接到其他层，例如上下文层。这些连接被建模为矩阵并且强度各不相同，我们称这些 权重矩阵 .
这意味着当我们将数据输入网络时，我们唯一要做的就是将一个向量放入网络，将值与权重矩阵相乘，并将其称为输出。在特殊情况下，例如循环网络，我们甚至将一些值存储在其他向量中，并将该存储值与当前输入组合。
在训练期间，我们不仅将数据输入网络，我们还计算一个错误值，我们以一种巧妙的方式评估该值，以便它告诉我们应该如何更改权重矩阵，我们将输入（可能还有过去的输入）相乘对于循环层) with.
因此：是，当然，循环层的基本执行行为不会改变。我们只是不再更新权重了。
有些层在执行期间确实表现不同，因为它们被视为正则化器，即使网络训练更高效的方法，在执行期间被认为是不必要的。这些层的示例是 Noise 和 BatchNormalization。几乎所有的神经网络层（包括循环层）都包含 drop-out，这是另一种形式的正则化，它会禁用层中随机百分比的连接。这也只在训练期间完成。
当我第一次在 Keras 中用序列数据训练 LSTM 时——我的训练数据——
然后用model.predict()以我的测试数据为输入进行预测，LSTM的隐藏状态还在调整吗？
神经网络的基本操作是获取一个输入（向量），该输入（向量）通过连接连接到输出，有时还连接到其他层，例如上下文层。这些连接被建模为矩阵并且强度各不相同，我们称这些 权重矩阵 .
这意味着当我们将数据输入网络时，我们唯一要做的就是将一个向量放入网络，将值与权重矩阵相乘，并将其称为输出。在特殊情况下，例如循环网络，我们甚至将一些值存储在其他向量中，并将该存储值与当前输入组合。
在训练期间，我们不仅将数据输入网络，我们还计算一个错误值，我们以一种巧妙的方式评估该值，以便它告诉我们应该如何更改权重矩阵，我们将输入（可能还有过去的输入）相乘对于循环层) with.
因此：是，当然，循环层的基本执行行为不会改变。我们只是不再更新权重了。
有些层在执行期间确实表现不同，因为它们被视为正则化器，即使网络训练更高效的方法，在执行期间被认为是不必要的。这些层的示例是 Noise 和 BatchNormalization。几乎所有的神经网络层（包括循环层）都包含 drop-out，这是另一种形式的正则化，它会禁用层中随机百分比的连接。这也只在训练期间完成。