答案是：取决于眼前的问题。对于单步 预测的情况-是的，可以，但是不必这样做。但是，无论您是否这样做， 都会对学习产生重大影响。
批处理与示例机制（“参见AI” =参见“其他信息”部分）
所有模型都将样本视为独立的示例；一批32个样品 就像一次32个样品（有差异-参见AI）。从 模型的角度来看，数据被分成批维batch_shape[0]， 和特征的尺寸，batch_shape[1:]- “不说话”两 在 两者之间唯一的关系是通过梯度（见AI）。
重叠与非重叠批处理
理解它的最佳方法也许是基于信息的。我将从 时间序列二进制分类开始，然后将其与预测联系起来：假设您 有10分钟的EEG记录，每个记录有240000个时间步长。任务：癫痫发作还是非 癫痫发作？
由于240k对于RNN来说处理不了，因此我们使用CNN进行降维 我们可以选择使用“滑动窗口”-即一次填充一个子段；我们用54k 取10个样本，定形(240000, 1)。怎么喂？
1 (10, 54000, 1)，包括所有样品，切片为sample[0:54000]; sample[24000:81000]… 更合理；现在我们的窗户有50％的重叠，而不是 99.998％。
预测：重叠不好吗？
如果您要进行单步预测，则信息格局现在已 更改：
预测变量必须对其初始样本具有鲁棒性，尤其是对于LSTM-因此，我们通过滑动序列来训练每个这样的“开始”，如您所示 由于标签在时间步长上不同，因此损失函数在时间步长上有很大变化，因此过拟合的风险要小得多 我该怎么办？
首先，请确保您了解整篇文章，因为这里没有什么是真正的 “可选”。然后，这是每批重叠与不重叠的关键：
转移了一个样本：模型学会了更好地预测每个开始步骤的前进步-意思是：（1）LSTM对初始细胞状态的鲁棒性；（2）在落后X步的情况下，LSTM可以很好地预测前进 许多样本在以后的批次中转移：模型不太可能“记住”火车设置和过拟合 您的目标：平衡两者；1在2上的主要优势是：
1允许模型通过检查样品的多个起点和终点（标签）并相应地平均梯度来提取更好的质量特征 我应该在预测中使用（2）吗？
如果您的序列长度非常长，并且您有能力负担“滑动窗口” w /?其长度的50％，但这可能取决于数据的性质：信号（EEG）？是。股票，天气？对此感到怀疑。
当LSTM无法一次处理整个序列（因此会 “分裂”）时，或者当反向传播需要不同的梯度时，可以使用有状态。 对于前者，想法是-LSTM在评估 后者时会考虑前者的顺序：
何时使用有状态：何时LSTM 在评估下一个时受益于先前的批次。这可以包括一步预测，但 前提是您无法一次输入整个序列：
问题：不容易以编程方式实现。您将需要找到一种在不应用渐变的情况下输入LSTM的方法，例如冻结砝码或设置lr = 0。 LSTM何时以及如何在状态中“通过状态”？
时间：仅批次之间；样品是完全独立的
如何：在Keras，只批样品批次样品：stateful=True 需要你指定batch_shape，而不是input_shape-因为，Keras建立batch_size了LSTM的独立的国家在编制 根据以上情况，您不能执行以下操作：
batch1 = [sample10, sample20, sample30, sample40] batch2 = [sample21, sample41, sample11, sample31]
This implies 21 causally follows 10 - and will wreck training. Instead do:
batch1 = [sample10, sample20, sample30, sample40]
batch2 = [sample11, sample21, sample31, sample41]
批次与样本：其他信息
“批”是一组样本-1个或更大（此 答案总是假定为后者）。三种迭代数据的方法：批量梯度下降 （一次整个数据集），随机GD（一次一个样本）和Minibatch GD（中间）。（ 但是，在实践中，我们也称最后一个SGD，仅区分vs BGD- 对此答案假设如此。）差异：
602392714
清零编程群