在 Keras 中，LSTM 状态何时在 model.predict 调用中重置？

该模型将 LSTM 作为第一层。

当调用 model.predict 时，假设您传递了几个样本：

>sam = np.array([ [[.5, .6, .3]], [[.6, .6, .3]], [[.5, .6, .3]] ])
>model.predict(sam)
array([[ 0.23589483],
       [ 0.2327884 ],
       [ 0.23589483]])

上面我们看到了映射： [[.5, .6, .3]] -> 0.23589483 等（1 个元素的序列，它是长度为 3 的向量，映射到实数）

该模型的 input_length 为 1，input_dim 为 3。请注意，第一个和最后一个相同，并且具有相同的输出 (0.23589483)。所以我的假设是，Keras 处理样本（在本例中是 1 个 3-D 向量的序列）后，它会重置模型的内存。即每个序列基本上是独立的。这个观点有什么不正确或者误导的地方吗？

再举一个 input_length 3 和 input_dim 1 的例子。这一次，切换序列中的值并看到不同的结果（将第二个列表与最后一个列表进行比较）。因此，当 Keras 处理序列时，内存会发生变化，但处理完成后，内存会重置（第一个和第二个序列具有相同的结果）。

sam = np.array([ [[.1],[.1],[.9]], [[.1],[.9],[.1]], [[.1],[.1],[.9]]   ])
model.predict(sam)
array([[ 0.69906837],
   [ 0.1454899 ],
   [ 0.69906837]])

上面我们看到了映射 [[.1],[.1],[.9]] -> 0.69906837 等（3 个元素到实数的序列）

我知道这是一个老问题，但希望这个答案可以帮助像我这样的其他 Keras 初学者。

我在我的机器上运行这个例子，观察到 LSTM 的隐藏状态和单元状态确实随着调用而改变model.predict.

import numpy as np
import keras.backend as K
from keras.models import Model
from keras.layers import LSTM

batch_size = 1
timestep_size = 2
num_features = 4

inputs = Input(batch_shape=(batch_size, timestep_size, num_features)
x = LSTM(num_features, stateful=True)(inputs)

model = Model(inputs=inputs, outputs=x)
model.compile(loss="mse",
              optimizer="rmsprop",
              metrics=["accuracy"])

x = np.random.randint((10,2,4))
y = np.ones((10,4))
model.fit(x,y, epochs=100, batch_size=1)

def get_internal_state(model):
    # get the internal state of the LSTM
    # see https://github.com/fchollet/keras/issues/218
    h, c = [K.get_value(s) for s, _ in model.state_updates]
    return h, c

print "After fitting:", get_internal_state(model)

for i in range(3):
    x = np.random.randint((10,2,4))
    model.predict(x)
    print "After predict:", get_internal_state(model)

以下是调用的输出示例get_internal_state训练结束后：

After_fitting: (array([[ 1.,  1.,  1.,  1.]], dtype=float32), array([[  11.33725166,   11.8036108 ,  181.75688171,   25.50110626]], dtype=float32))
After predict (array([[ 1.        ,  0.99999994,  1.        ,  1.        ]], dtype=float32), array([[   9.26870918,    8.83847237,  179.92633057,   28.89341927]], dtype=float32))
After predict (array([[ 0.99999571,  0.9992013 ,  1.        ,  0.9915328 ]], dtype=float32), array([[   6.5174489 ,    8.55165958,  171.42166138,   25.49199104]], dtype=float32))
After predict (array([[ 1.,  1.,  1.,  1.]], dtype=float32), array([[   9.78496075,    9.27927303,  169.95401001,   28.74017715]], dtype=float32))