通常,在混排训练数据(一组序列)时,混排序列馈送到RNN的顺序,而不会在单个序列中混排顺序。当您的网络为无状态时,可以这样做:
无状态情况:
网络的内存仅在序列持续时间内持续存在。在序列A之前对序列B进行训练并不重要,因为网络的内存状态不会在序列之间持久存在。
另一方面:
有状态的案例:
网络的内存跨序列持续存在。在这里,您不能盲目地改组数据并期望获得最佳结果。序列A应该在序列B之前馈入网络,因为A在B之前,并且我们希望网络用序列A中的内存来存储序列B。
0
通常,在混排训练数据(一组序列)时,混排序列馈送到RNN的顺序,而不会在单个序列中混排顺序。当您的网络为无状态时,可以这样做:
无状态情况:
网络的内存仅在序列持续时间内持续存在。在序列A之前对序列B进行训练并不重要,因为网络的内存状态不会在序列之间持久存在。
另一方面:
有状态的案例:
网络的内存跨序列持续存在。在这里,您不能盲目地改组数据并期望获得最佳结果。序列A应该在序列B之前馈入网络,因为A在B之前,并且我们希望网络用序列A中的内存来存储序列B。
0
由于LSTM RNN使用以前的事件来预测当前序列,因此为什么要改组训练数据?我们是否会丢失训练数据的时间顺序?在经过改组的训练数据上进行训练之后,如何有效地进行预测?