我正在处理一个seq2seq、无状态(return_state=False(的预测问题。
假设我有10个维度为(10,50,2(的独立时间序列，其中10是样本数量，50是时间步长，2是特征数量。如果我将这个时间序列划分为大小为(10，35，2(的训练和测试(10，15，2(，其中我使用测试作为我的预测的验证集(以发现训练后的网络预测有多好(，由于在这种情况下lstm是无状态的，因此在训练期间，状态在批次之间刷新(重置((假设批次大小=1->一次训练一个样本(。
我的主要问题是，在预测大小为(10，15，2(的测试集期间，我是否应该使用我训练的网络的final_hidden_states，并将其设置为测试集的initial_hidden_states？我提出这个问题的原因是，从技术上讲，测试集(10，15，2(是(10，35，2(的延续，但我没有在测试集上训练。
更清楚地说，第一个问题是：在这种情况下，我真的需要final_hidden_states进行预测吗？第二个问题是：如果我需要final_hidden_states，我如何为所有10个样本提取它们，因为在每个批次之间的训练过程中，状态都是内部刷新的？
感谢您的帮助。示例代码非常受欢迎(输入和输出可以是任意的或随机选择的(。
我目前正在python中使用keras。
谢谢。
我认为这应该回答您的问题Post，并澄清Seq2Seq自动编码器的工作原理。