使用 LSTM RNN 混洗训练数据
Shuffling training data with LSTM RNN
既然 LSTM RNN 使用以前的事件来预测当前序列，为什么我们要打乱训练数据？我们不会丢失训练数据的时间顺序吗？在对随机训练数据进行训练后，它如何仍然能有效地做出预测？
一般来说，当您打乱训练数据（一组序列）时，您打乱了序列馈送到 RNN 的顺序，而不是打乱单个序列内的顺序。当您的网络是无状态时，这样做很好：
无状态案例：
网络的记忆只在一个序列的持续时间内持续存在。在序列 A 之前对序列 B 进行训练并不重要，因为网络的记忆状态不会跨序列持续存在。
另一方面：
状态案例：
网络的记忆跨序列持续存在。在这里，您不能盲目地调整数据并期望获得最佳结果。序列 A 应该在序列 B 之前馈送到网络，因为 A 在 B 之前，我们希望网络通过记忆序列 A 中的内容来评估序列 B。
既然 LSTM RNN 使用以前的事件来预测当前序列，为什么我们要打乱训练数据？我们不会丢失训练数据的时间顺序吗？在对随机训练数据进行训练后，它如何仍然能有效地做出预测？
一般来说，当您打乱训练数据（一组序列）时，您打乱了序列馈送到 RNN 的顺序，而不是打乱单个序列内的顺序。当您的网络是无状态时，这样做很好：
无状态案例：
网络的记忆只在一个序列的持续时间内持续存在。在序列 A 之前对序列 B 进行训练并不重要，因为网络的记忆状态不会跨序列持续存在。
另一方面：
状态案例：
网络的记忆跨序列持续存在。在这里，您不能盲目地调整数据并期望获得最佳结果。序列 A 应该在序列 B 之前馈送到网络，因为 A 在 B 之前，我们希望网络通过记忆序列 A 中的内容来评估序列 B。