我在Keras方面是新手，想知道如何用不同长度的（中断的）时间序列来训练LTSM。举个例子，假设有一个从第1天到第10天的连续序列，另一个是从第15天到第20天的连续序列。简单地将它们连接成一个单一序列可能会导致错误的结果。我看到有两种方法可以将它们调整到(batch_size, timesteps, output_features)的形状：

1. 用某个默认值（如0）来延长较短的序列，例如，对于上面的例子，我们会得到以下批次：

   d1, ..., d10d15, ..., d20, 0, 0, 0, 0, 0

2. 计算序列长度的最大公约数，将序列切成片段，并使用有状态的LSTM，例如：

   d1, ..., d5d6, ..., d10reset_stated15, ..., d20

还有其他更好的解决方案吗？用完整序列训练无状态LSTM与用片段训练有状态LSTM是否等效？

回答：

你有尝试过用不同长度的输入来喂养LSTM层吗？当使用LSTM时，输入的时间序列可以是不同长度的（甚至批次大小也可以从一个批次到另一个批次不同，但显然特征的维度应该相同）。这是一个在Keras中的示例：

from keras import models, layersn_feats = 32latent_dim = 64lstm_input = layers.Input(shape=(None, n_feats))lstm_output = layers.LSTM(latent_dim)(lstm_input)model = models.Model(lstm_input, lstm_output)model.summary()

输出：

Layer (type)                 Output Shape              Param #   =================================================================input_2 (InputLayer)         (None, None, 32)          0         _________________________________________________________________lstm_2 (LSTM)                (None, 64)                24832     =================================================================Total params: 24,832Trainable params: 24,832Non-trainable params: 0

如你所见，输入层的第一和第二轴是None。这意味着它们没有预先指定，可以是任意值。你可以把LSTM看作是一个循环。不管输入长度，只要有相同长度的剩余数据向量（即n_feats），LSTM层就会处理它们。因此，如上所示，LSTM层使用的参数数量不依赖于批次大小或时间序列长度（它只依赖于输入特征向量的长度和LSTM的潜在维度）。

import numpy as np# 使用批次大小=10，时间步长=5来喂养LSTMmodel.predict(np.random.rand(10, 5, n_feats))   # 这可以工作# 使用批次大小=5，时间步长=100来喂养LSTMmodel.predict(np.random.rand(5, 100, n_feats))  # 这也可以工作

然而，根据你正在处理的具体问题，这种方法可能不适用；虽然我现在没有想到任何具体的例子，这种行为可能不合适，你应该确保所有时间序列的长度相同。