由于LSTM RNN使用先前的事件来预测当前序列，为什么我们将训练数据混洗？我们不会失去训练数据的时间顺序吗？在对改组后的训练数据进行训练后，如何进行预测仍然有效？
通常，当您对训练数据（一组序列）进行随机排列时，您会将序列送入RNN的顺序改变，您不会在单个序列中随机排序 . 当您的网络处于无状态时，这很好：
Stateless Case:
网络的内存仅在序列持续时间内持续存在 . 在序列A之前对序列B进行训练并不重要，因为网络的内存状态不会在序列之间持续存在 .
另一方面：
Stateful Case:
网络的内存在序列中持续存在 . 在这里，您不能盲目地改变您的数据并期望获得最佳结果 . 序列A应该在序列B之前被馈送到网络，因为A在B之前，我们希望网络用序列B来记录序列B的内存 .
1 回答
通常，当您对训练数据（一组序列）进行随机排列时，您会将序列送入RNN的顺序改变，您不会在单个序列中随机排序 . 当您的网络处于无状态时，这很好：
Stateless Case:
网络的内存仅在序列持续时间内持续存在 . 在序列A之前对序列B进行训练并不重要，因为网络的内存状态不会在序列之间持续存在 .
另一方面：
Stateful Case:
网络的内存在序列中持续存在 . 在这里，您不能盲目地改变您的数据并期望获得最佳结果 . 序列A应该在序列B之前被馈送到网络，因为A在B之前，我们希望网络用序列B来记录序列B的内存 .