我有一个张量，需要使用Tensorflow的LSTM/RNN来预测序列中的下一个元素，同时考虑前5个元素。我应该如何输入X和Y？
从1 2 3 4 5，我想预测6
假设我的输入序列X是：
X = 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 ...那么我的Y应该是：
Y = 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 ... ?还是应该这样输入：
X = 1 2 3 4 5 2 3 4 5 6 3 4 5 6 7 ....我的Y应该是：
Y = 6 7 8 ... ?还是TensorFlow会自动处理这些？
我现在使用的是第一种方法，受到教程的启发，代码如下：
x = tf.placeholder(tf.int32, [None, num_steps], name='input_placeholder') y = tf.placeholder(tf.int32, [None, num_steps], name='labels_placeholder') rnn_outputs = tf.reshape(rnn_outputs, [-1, state_size]) y_reshaped = tf.reshape(y, [-1]) logits = tf.matmul(rnn_outputs, W) + b predictions = tf.nn.softmax(logits) total_loss = tf.reduce_mean(tf.nn.sparse_softmax_cross_entropy_with_logits(logits=logits, labels=y_reshaped))如果我请求预测（在实际代码中，时间步长为16，类别数量为14313，很抱歉）：
prevSlice = np.array([[1, 2 , 3 , 4, 5, 6 ,7, 8, 9 ,10, 11, 12, 13, 14, 15, 16]], dtype=np.string_) feed_dict={g['x']: prevSlice} preds, state = sess.run([g['preds'],g['final_state']], feed_dict)我得到了多出15个的预测。或者我应该如何解释这些？我不需要对接下来的16个切片进行预测，只需要对下一个进行预测。
回答：
由于LSTM执行的是序列到序列的预测，这是否意味着你的预测器输出的是一个batch_size长度的序列，而不是单个时间步长？
简而言之，你会得到一个与预测大小相同的序列。
编辑：
def predict_point_by_point(model, data): #根据最后一个真实数据序列预测每个时间步长，实际上每次只预测一步 predicted = model.predict(data) predicted = np.reshape(predicted, (predicted.size,)) return predicted你可以按照这个思路做一些调整，并为每个len(timestep)添加一个移动窗口，这样你输入到模型中的每个时间步长都会考虑到增加的一个时间步长，从而一次输出一个预测。
