假设我想对时间序列进行分类，每个序列有33个时间步。我将它们分成了较小的片段。假设我有以下输入X_1，其维度是(32,3,1)，即32个样本，3个时间步，1个特征：

[    [[1],  [2],  [3]]  # 来自时间序列1的第1到第3步    [[11], [14], [17]] # 来自时间序列2的第1到第3步    [[3],  [5],  [7]]  # 来自时间序列3的第1到第3步    ...    [[9],  [7],  [2]]  # 来自时间序列32的第1到第3步]

以及Y = [A, A, B, …, B]，包含这一批次中32个时间序列的标签。

现在我运行model.fit(X_1, Y)。

然后我取每个时间序列的下3个时间步作为X_2：

[    [[4],  [5],  [6]]  # 来自时间序列1的第4到第6步    [[20], [23], [26]] # 来自时间序列2的第4到第6步    [[9],  [11], [13]] # 来自时间序列3的第4到第6步    ...    [[8],  [1],  [9]]  # 来自时间序列32的第4到第6步]

同样是Y = [A, A, B, …, B]。

因为我已经将时间序列分割开来，我使用了有状态模型，以便X_1的状态能够为X_2保存下来。

我再次运行model.fit(X_2, Y)。我重复这个过程直到X_11，它包含了输入数据的第31到33个时间步。在调用model.fit(X_11, y)之后，我将调用model.reset_states()，因为我已经完成了第一批32个时间序列的处理，我可以从头开始处理新的一批32个时间序列。

至少到目前为止，我以为这是处理这种情况的方式。但现在我读到，默认情况下状态会在批次内的样本之间保留，那么这是否意味着X_0中时间序列1的前3步的状态也被用于时间序列2的前3步？因为这没有意义，它们之间没有任何共同之处，状态不应该在它们之间共享。那么，哪个是正确的？

回答：

不，状态是矩阵，其中一个维度是批次大小，这意味着每个样本有一行状态。

序列1不会与序列2通信。