Keras：使用 LSTM 时改组数据集
Keras : Shuffling dataset while using LSTM
如果我错了请纠正我，但根据官方 Keras documentation，默认情况下，fit 函数具有参数 'shuffle=True'，因此它会在每个 epoch 上打乱整个训练数据集。
然而，使用循环神经网络（如 LSTM 或 GRU）的要点是使用每个数据的精确顺序，以便先前数据的状态影响当前数据。
如果我们打乱所有的数据，所有的逻辑顺序都会被打乱。因此我不明白为什么有那么多 LSTM 的参数未设置为 False 的例子。使用没有序列的 RNN 有什么意义？
此外，当我将 shuffle 选项设置为 False 时，我的 LSTM 模型性能较低，即使数据之间存在依赖关系：我使用链接链接的 KDD99 数据集。
If we shuffle all the data, all the logical sequences are broken.
不，改组发生在批次轴上，而不是时间轴上。
通常，RNN 的数据具有如下形状：(batch_size, timesteps, features)
通常，你给你的网络不仅要学习一个序列，还要给很多序列。只有训练这些序列的顺序才会被打乱。序列本身保持完整。
洗牌通常总是一个好主意，因为您的网络只会学习训练示例本身，而不是它们的顺序。
话虽这么说，但在某些情况下，您确实只有一个巨大的序列可以从中学习。在这种情况下，您仍然可以选择将序列分成几批。如果是这种情况，您担心洗牌会产生巨大的负面影响是完全正确的，所以在这种情况下不要这样做！
注意：RNN 有一个 stateful 参数，您可以将其设置为 True。在这种情况下，前一批次的最后状态将传递给下一批次，这有效地使您的 RNN 将所有批次视为一个巨大的序列。所以，如果你有多个批次的巨大序列，绝对要这样做。
如果我错了请纠正我，但根据官方 Keras documentation，默认情况下，fit 函数具有参数 'shuffle=True'，因此它会在每个 epoch 上打乱整个训练数据集。
然而，使用循环神经网络（如 LSTM 或 GRU）的要点是使用每个数据的精确顺序，以便先前数据的状态影响当前数据。
如果我们打乱所有的数据，所有的逻辑顺序都会被打乱。因此我不明白为什么有那么多 LSTM 的参数未设置为 False 的例子。使用没有序列的 RNN 有什么意义？
此外，当我将 shuffle 选项设置为 False 时，我的 LSTM 模型性能较低，即使数据之间存在依赖关系：我使用链接链接的 KDD99 数据集。
If we shuffle all the data, all the logical sequences are broken.
不，改组发生在批次轴上，而不是时间轴上。
通常，RNN 的数据具有如下形状：(batch_size, timesteps, features)
通常，你给你的网络不仅要学习一个序列，还要给很多序列。只有训练这些序列的顺序才会被打乱。序列本身保持完整。 洗牌通常总是一个好主意，因为您的网络只会学习训练示例本身，而不是它们的顺序。
话虽这么说，但在某些情况下，您确实只有一个巨大的序列可以从中学习。在这种情况下，您仍然可以选择将序列分成几批。如果是这种情况，您担心洗牌会产生巨大的负面影响是完全正确的，所以在这种情况下不要这样做！
注意：RNN 有一个 stateful 参数，您可以将其设置为 True。在这种情况下，前一批次的最后状态将传递给下一批次，这有效地使您的 RNN 将所有批次视为一个巨大的序列。所以，如果你有多个批次的巨大序列，绝对要这样做。