LSTM中的input_shape和batch_input_shape有什么区别

这只是设置同一事物的不同方式还是它们实际上具有不同的含义？和网络配置有关系吗？

在一个简单的例子中，我无法观察到以下之间的任何区别：

model = Sequential()
model.add(LSTM(1, batch_input_shape=(None,5,1), return_sequences=True))
model.add(LSTM(1, return_sequences=False))

and

model = Sequential()
model.add(LSTM(1, input_shape=(5,1), return_sequences=True))
model.add(LSTM(1, return_sequences=False))

但是当我将批量大小设置为 12 时batch_input_shape=(12,5,1)并使用batch_size=10在拟合模型时，我遇到了错误。

ValueError：无法为张量提供形状 (10, 5, 1) 的值 'lstm_96_input:0'，其形状为'(12, 5, 1)'

这显然是有道理的。然而，我认为在模型级别限制批量大小没有意义。

我错过了什么吗？

这只是设置同一事物的不同方式还是它们实际上具有不同的含义？和网络配置有关系吗？

是的，它们实际上是等效的，您的实验证实了这一点，另请参阅这次讨论 https://stackoverflow.com/q/48140989/712995.

然而，我认为在模型级别限制批量大小没有意义。

批量大小限制有时是必要的，我想到的例子是有状态LSTM，其中批次中的最后一个单元状态被记住并用于后续批次的初始化。这确保客户端不会将不同的批量大小输入网络。示例代码：

# Expected input batch shape: (batch_size, timesteps, data_dim)
# Note that we have to provide the full batch_input_shape since the network is stateful.
# the sample of index i in batch k is the follow-up for the sample i in batch k-1.
model = Sequential()
model.add(LSTM(32, return_sequences=True, stateful=True,
               batch_input_shape=(batch_size, timesteps, data_dim)))