python - Keras 中的有状态 LSTM 中一批样本之间的状态是否保留？

Question

假设我想对时间序列进行分类，每个时间序列有 33 个时间步长。我把它们分成更小的 block 。假设我有以下输入 X_1，维度为 (32,3,1)，因此 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] 包含该批处理中 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 3 个时间步设为 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]。

因为我已分割时间序列，所以我使用有状态模型，以便为 X_2 保存 X_1 的状态。

我再次运行model.fit(X_2, Y)。我重复此操作，直到到达包含输入数据中时间步 31 到 33 的 X_11。在调用 model.fit(X_11, y) 后，我将调用 model.reset_states() 因为我已经完成了第一批 32 个时间序列，并且我可以从新一批 32 个时间序列重新开始。

至少到目前为止我认为这就是做到这一点的方法。但现在我读到，默认情况下，状态是在批处理中跨样本保留的，这是否意味着 X_0 中时间序列 1 的前 3 个步骤的状态也用于前 3 个步骤时间序列 2 的步骤？因为这是没有意义的，他们没有任何共同点，国家不应该在他们之间共享。那么什么是正确的呢？

Answer 1

不，状态是矩阵，其维度之一是批量大小，这意味着每个样本有一行状态。

系列 1 不与系列 2 通信。