众所周知，如果我们要训练一个 LSTM 网络，我们必须通过函数numpy.reshape() 对训练数据集进行重构，重构结果类似于[samples,time_steps,features]。但是，新形状会受到原始形状的影响。我看过一些教授 LSTM 编程的博客，将 1 作为 time_steps，如果 time_steps 是另一个数字，则样本会发生相应的变化。我的问题是samples等于batch_size吗？
X = X.reshape(X.shape[0], 1, X.shape[1])
【问题讨论】：
标签： python-3.x tensorflow keras lstm rnn
不，样本与 batch_size 不同。样本是您将拥有的样本总数。 batch_size 将是每个批次的大小或训练中使用的每个批次的样本数，例如 .fit。
例如，如果 samples=128 和 batch_size=16，那么您的数据将在 .fit 调用期间分为 8 个批次，每个批次包含 16 个样本。
另外，time_steps 是每个样本内的总时间步长或观察值。使用 LSTM 将其设为 1 并没有多大意义，因为 RNN 的主要优势通常是学习时间模式。使用 time_step=1，将没有任何历史可以利用。这里作为一个可能有帮助的例子：
假设您的工作是通过查看每个人每分钟提供的呼吸频率和心率来确定某人是否每小时都处于活动状态，即每小时测量 60 个样本的 2 个特征。 （这只是一个示例，如果您真的想这样做，请使用加速度计 :)）假设您有 128 小时的标记数据。那么您的输入数据将是 (128, 60, 2) 的形状，而您的输出将是 (128, 1) 的形状。
在这里，您有 128 个样本，每个样本有 60 个时间步长或观察值，以及两个特征。
接下来，您根据样本将数据拆分为训练、验证和测试。例如，您的训练、验证和测试数据的形状将分别为 (96, 60, 2)、(16, 60, 2) 和 (16, 60, 2)。
如果您使用 batch_size=16，您的训练、验证和测试数据将分别有 6、1 和 1 个批次。
【讨论】：
time_steps 有点困惑，你能举个例子说清楚吗？非常感谢。
没有。样本不等于批量大小。样本是指数据集中的行数。您的训练数据集被分成多个批次并将其传递给网络进行训练。
简单来说，
假设您的数据集有 30 个样本，并且您将 batch_size 定义为 3。 这意味着 30 个样本分为 10 个批次（30 除以您定义的 batch_size = 10）。当你训练你的模型时，一次只有 3 行数据会被推送到神经网络，然后接下来的 3 行数据会被推送到神经网络。明智的做法是将整个数据集推送到神经网络。
Samples/Batch_size = 批次数
请记住，batch_size 和批次数是两个不同的东西。
【讨论】：
[samples, time_steps, features] 的形式训练数据集，我必须改变样本的值，这是怎么发生的？实际如何理解time_steps ？