使用 LSTM 进行预测并使用最终隐藏状态
Forecasting with LSTM and use of final hidden states
我正在研究 seq2seq，无状态（return_state = False），预测问题。
假设我有 10 个维度为 (10,50,2) 的独立时间序列，其中 10 是样本数，50 是时间步长，2 是特征数。
如果我将这个时间序列划分为大小为 (10,35,2) 的训练和测试 (10,15,2)，其中我使用测试作为我的预测的验证集（以了解经过训练的网络预测有多好），因为lstm 在这种情况下是无状态的，在训练期间状态在批次之间被刷新（重置）（假设批次大小 = 1--> 一次训练一个样本）。
我的主要问题是，在预测大小为 (10,15,2) 的测试集时，我是否应该使用我训练的网络的 final_hidden_states 并将其设置为 initial_hidden_states 进行测试放？我的问题的原因是因为从技术上讲，测试集 (10,15,2) 是 (10,35,2) 的延续，但是，我不是在测试集上训练。
更清楚地说，
第一个问题是：在这种情况下，我真的需要 final_hidden_states 进行预测吗？
第二个问题是：如果我需要 final_hidden_states，我如何为所有 10 个样本提取它们，因为在每批之间的训练过程中状态会在内部刷新？
感谢任何帮助。非常感谢示例代码（输入和输出可以是任意的或随机选择的）。
我目前在 python 中使用 keras。
谢谢。
我认为这应该可以回答您的问题 Post 并阐明 Seq2Seq 自动编码器的工作原理。
我正在研究 seq2seq，无状态（return_state = False），预测问题。
假设我有 10 个维度为 (10,50,2) 的独立时间序列，其中 10 是样本数，50 是时间步长，2 是特征数。 如果我将这个时间序列划分为大小为 (10,35,2) 的训练和测试 (10,15,2)，其中我使用测试作为我的预测的验证集（以了解经过训练的网络预测有多好），因为lstm 在这种情况下是无状态的，在训练期间状态在批次之间被刷新（重置）（假设批次大小 = 1--> 一次训练一个样本）。
我的主要问题是，在预测大小为 (10,15,2) 的测试集时，我是否应该使用我训练的网络的 final_hidden_states 并将其设置为 initial_hidden_states 进行测试放？我的问题的原因是因为从技术上讲，测试集 (10,15,2) 是 (10,35,2) 的延续，但是，我不是在测试集上训练。
更清楚地说， 第一个问题是：在这种情况下，我真的需要 final_hidden_states 进行预测吗？ 第二个问题是：如果我需要 final_hidden_states，我如何为所有 10 个样本提取它们，因为在每批之间的训练过程中状态会在内部刷新？
感谢任何帮助。非常感谢示例代码（输入和输出可以是任意的或随机选择的）。
我目前在 python 中使用 keras。
谢谢。
我认为这应该可以回答您的问题 Post 并阐明 Seq2Seq 自动编码器的工作原理。