循环神经网络 —— LSTM 有状态模型（stateful LSTM）和无状态模型（stateless LSTM）

相关参考：

训练后的LSTM模型在进行预测时的初始h_n和c_n是什么或应该怎么设置？

Keras中对RNN网络的statefull和stateless设置：

链接：https://keras.io/zh/getting-started/faq/#how-can-i-use-stateful-rnns

===============================================

必须要承认，由于平时很少用RNN，所以对于LSTM的stateful和stateless这两者的区别也是头一次听说。

首先我们要知道LSTM的初始值这个概念，LSTM在初始时框架一般默认对初始值h_0和c_0赋值为0，具体见pytorch官方文档：

https://pytorch.org/docs/stable/generated/torch.nn.LSTM.html#torch.nn.LSTM

知道了这个初始值的概念后我们可以知道LSTM在每个batch的训练和预测时都是会使用这个默认值的，也就是说每个batch时h_0和c_0都是被设置为0的，由于在LSTM这样的RNN网络中每个sample都是一个时序类型的数据，因此在一个batch的计算中每个sample在计算不同时间步时上一时间步计算得到的h_t和c_t会作为t+1步时的h_0和c_0的输入值，但是当每个batch计算结束后计算下个batch数据时默认都是将h_0和c_0默认赋值为0的。但是，有时候可能sample过长，我们可以把原本的一个sample切分成前后两个sample，也可能本身sample之间就具备时序关系，这时候在一个epoch中计算上下两个batch时如果将上一个batch计算结束时的h_0和c_0作为下个batch计算时的初始值会提升模型的性能，而这种方式的LSTM则被称为stateful，而默认的那种前后batch都将初始值设置为0的默认方式被称为stateless。

框架中使用staleful的LSTM时需要保证上下batch中batch_size是相同的，并且batch内的sample不能shuffle；而且要知道只有少数的情况，如前后batch的数据有时序关联的情况下才适合使用stateful的LSTM，否则适用于默认的stateless的LSTM。

===============================================