假设我想对时间序列进行分类，每个时间序列都有33个时间步长。我把它们分成小块。假设我有以下输入X_1，维度是(32,3,1)，所以32个样本，3个时间步长，1个特征：
[
[[1], [2], [3]] # step 1 to step 3 from time series 1
[[11], [14], [17]] # step 1 to step 3 from time series 2
[[3], [5], [7]] # step 1 to step 3 from time series 3
...
[[9], [7], [2]] # step 1 to step 3 from time series 32
]
和包含该批次中32个时间序列中的每个时间序列的标签的CCD_ 3。
现在我运行model.fit(X_1, Y)。
然后，我将每个时间序列的接下来3个时间步长作为X_2:
[
[[4], [5], [6]] # step 4 to step 6 from time series 1
[[20], [23], [26]] # step 4 to step 6 from time series 2
[[9], [11], [13]] # step 4 to step 6 from time series 3
...
[[8], [1], [9]] # step 4 to step 6 from time series 32
]
以及同样的CCD_ 6。
因为我已经将时间序列分解，所以我使用有状态模型，以便将X_1中的状态保存为X_2。
我再次运行model.fit(X_2, Y)。我重复这一过程，直到从我的输入数据到达包含时间步长31到33的X_11。在我调用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，我可以从一开始就重新开始新的一批32个时序。
至少到目前为止，我还认为这就是实现这一目标的方法。但现在我读到，默认情况下，该状态在批次中的样本中保留，这是否意味着X_0中时间序列1的前3个步骤的状态也用于时间序列2的前3步？因为这没有意义，他们没有任何共同点，国家不应该在他们之间共享。那么什么是正确的呢？
否，状态是矩阵，其中一个维度是批量大小，这意味着每个样本有一行状态。
系列1与系列2不通信。