Updated question: 这是一个很好的资源：http://machinelearningmastery.com/understanding-stateful-lstm-recurrent-neural-networks-python-keras/
请参阅“批次中的LSTM状态”部分 .
如果我正确地解释了这一点，作者不需要将数据重新整形为x，y，z（正如他在前面的例子中所做的那样）;他只是增加了批量大小 . 因此，LSTM单元隐藏状态（从一个时间步骤传递到下一个步骤的状态）从第0行开始，并且一直持续更新，直到批处理中的所有行都完成为止？是对的吗？
如果这是正确的，为什么一个人需要时间步长大于1？我可以不按顺序堆叠所有时间序列行，并将它们作为单个批次提供吗？
Original question: 我'm getting myself into an absolute muddle trying to understand the correct way to shape my data for tensorflow, particularly around time_steps. Reading around has only confused me further, so I thought I' d塌陷并问 .
我正在尝试建模时间序列数据，其中时间t的数据宽度为5列（5个特征，1个标签） .
那么t-1还将有另外5个特征，1个标签这是一个有2行的例子 . x = [1,1,1,1,1] y = [5] x = [2,2,2,2,2] y = [15]
我有一个RNN模型可以通过将1x1x5矩阵输入到我的x变量中来实现 . 这意味着我的'时间步长'的维度为1.但是与上面的例子一样，我输入的第二行与第一行相关（15 = 5（2 2 2 2 20，如果你没有发现它）
我正在进入它的方式是正确的吗？时间戳维度如何工作？
或者我应该把它当作批量大小，行，列在脑海中？
无论哪种方式都可以有人告诉我，我应该将输入数据重塑为什么尺寸？为了论证，假设我已经将数据拆分为1000个批次 . 因此，在这1000行中，我想要对每一行进行预测，但是RNN应该在我的批次中查看它上面的行以找出答案 .
x1 = [1,1,1,1,1] y = [5] x2 = [2,2,2,2,2] y = [15] ......等