我有一个构建 LSTM 模型的脚本，拟合它来训练数据，预测一些测试数据。 (只是为了对火车数据进行有趣的绘图预测，因为它们应该接近火车数据，只是为了知道我的模型是否构建良好(
1(第一个问题是，对测试和训练数据的预测是完全不同的，这取决于我是先预测火车还是先测试。
2(第二个问题可能与第一个问题相关，所以每次我运行脚本时，对测试数据的预测都是完全不同的。我知道神经网络具有某种随机性，但正如您在我生成的绘图中看到的那样，它完全不同：
edit1：我试图按照评论中的建议设置"有状态=假"，但没有成功。
edit2：我已经更新了脚本和绘图，并在新代码中提供了一些基本的正弦波示例数据。即使在这个简单的例子中，问题仍然存在
结果预测图，有状态=假
我得到了一个输入信号X作为正弦波，具有100个时间步长和随机幅度和频率。 我的目标 y 与 X 相关(在每个时间步长中(，并且 - 在这种情况下 - 也是一个正弦波。 我的数据的形状是
X_train.shape = (100, 1, 1)
y_train.shape = (100,)
X_test.shape = (100, 1, 1)
y_test.shape = (100,)
我正在使用 LSTM 网络试图拟合完整的正弦波，因此批量大小 = 100，并预测测试信号的每个点，因此用于预测的批次大小 = 1。此外，我在每个纪元之后手动重置 LSTM 的状态，如下所述： https://machinelearningmastery.com/use-different-batch-sizes-training-predicting-python-keras/
为了建立我的网络，我遵循了这里提到的"keras规则"： 罪恶的延迟回声 - 无法在 Keras 中重现张量流结果
我知道解决问题的基本方法，就像这里建议的那样： LSTM 神经网络的错误预测 但对我没有任何用处。
我很感激在这方面的任何帮助，也感谢提出更好的问题，以防我做错了什么，因为这是我在堆栈上的第一篇文章。
谢谢大家！ 这是我的代码示例：
import numpy as np
import matplotlib.pyplot as plt
from keras import models, layers, optimizers
from keras.callbacks import Callback
# create training sample data
Fs = 100 # sample rate
z = np.arange(100)
f = 1 # frequency in Hz
X_train = np.sin(2 * np.pi * f * z / Fs)
y_train = 0.1 * np.sin(2 * np.pi * f * z / Fs)
# create test sample data
f = 1 # frequency in Hz
X_test = np.sin(2 * np.pi * f * z / Fs) * 2
y_test = 0.2 * np.sin(2 * np.pi * f * z / Fs)
# convert data into LSTM compatible format
y_train = np.array(y_train)
y_test = np.array(y_test)
X_train = X_train.reshape(X_train.shape[0], 1, 1)
X_test = X_test.reshape(X_test.shape[0], 1, 1)
# build and compile model
model = models.Sequential()
model.add(layers.LSTM(1, batch_input_shape=(len(X_train), X_train.shape[1], X_train.shape[2]),
return_sequences=False, stateful=False))
model.add(layers.Dense(X_train.shape[1], input_shape=(1,), activation='linear'))
model.compile(optimizer=optimizers.Adam(lr=0.01, decay=0.008, amsgrad=True), loss='mean_squared_error', metrics=['mae'])
# construct a class for keras callbacks, to make sure the cell state is reset after each epoch
class ResetStatesAfterEachEpoch(Callback):
def on_epoch_end(self, epoch, logs=None):
self.model.reset_states()
reset_state = ResetStatesAfterEachEpoch()
callbacks = [reset_state]
# fit model to training data
history = model.fit(X_train, y_train, epochs=20000, batch_size=len(X_train),
shuffle=False, callbacks=callbacks)
# re-define LSTM model with weights of fit model to predict for 1 point, so also re-define the batch size to 1
new_batch_size = 1
new_model = models.Sequential()
new_model.add(layers.LSTM(1, batch_input_shape=(new_batch_size, X_test.shape[1], X_test.shape[2]), return_sequences=False,
stateful=False))
new_model.add(layers.Dense(X_test.shape[1], input_shape=(1,), activation='linear'))
# copy weights to new model
old_weights = model.get_weights()
new_model.set_weights(old_weights)
# single point prediction on train data
y_pred_train = new_model.predict(X_train, batch_size=new_batch_size)
# single point prediction on test data
y_pred_test = new_model.predict(X_test, batch_size=new_batch_size)
# plot predictions
plt.figure()
plt.plot(y_test, 'r', label='ground truth test',
linestyle='dashed', linewidth=0.8)
plt.plot(y_train, 'b', label='ground truth train',
linestyle='dashed', linewidth=0.8)
plt.plot(y_pred_test, 'g',
label='y pred test', linestyle='dotted',
linewidth=0.8)
plt.plot(y_pred_train, 'k',
label='y pred train', linestyle='-.',
linewidth=0.8)
plt.title('pred order: test, train')
plt.xlabel('time steps')
plt.ylabel('y')
plt.legend(prop={'size': 8})
plt.show()
问题就在这里：
model.add(layers.LSTM(1, batch_input_shape=(len(X_train), X_train.shape[1], X_train.shape[2]),
return_sequences=False, stateful=True))
您在LSTM图层中设置stateful=True，这意味着每次预测后都不会重置隐藏状态，这解释了您所看到的效果。如果不希望此行为，则应将其设置为默认值stateful=False，它将作为标准的无状态 LSTM 工作。
所以我找到了一个解决方案，我不知道为什么这有效(如果有人这样做并且可以发表评论，我将不胜感激？(，但它有效。
我添加了 X_train(这里是 cos(的导数，所以我得到了一个具有 2 个特征的多输入 LSTM。最后的X_train就像在这段代码中假设的那样：
x = np.sin(2 * np.pi * f * z / Fs)
dx_dt = np.cos(2 * np.pi * f * z / Fs)
X_train = np.column_stack((x, dx_dt))
即使是像y_train = 5 * np.sin(2 * np.pi * f * (z + 51) / Fs)这样的时移y，也被预测为3000个epoch。LSTM 1 层和 3 个神经元。
这是结果图。