我想使用一个使用 Keras 的 LSTM 来进行课程成绩预测。我的数据集包括学生成绩单，其中包括所修课程和学生各自的成绩。对于每门课程，我计划训练一个 LSTM 模型，该模型将学生以前的课程和成绩作为输入，并输出预测的成绩（从 F 到 A）。每个 LSTM 都将接受所有学生成绩单的培训。时间步长将是学期，每个时间步长的特征将是课程（及其成绩）。然而，由于不是每个学生在学校的学期数都相同（即时间步长不同），并且学生在每个时间步长上学习的课程不同（即特征不同），我不知道如何使用传统的 LSTM。

我做了一些研究，我知道处理这个问题的两种方法是一次训练一批和填充。

如果我一次训练一批，Keras 究竟是如何做到的？更具体地说，权重矩阵将如何成形以及它将具有哪些维度。此外，当我想使用模型进行预测时，要进行预测的输入矩阵的维度应该是多少？最后，有人可以帮我提供一批培训部分的代码吗？我是否必须对我的数据集矩阵进行循环并一次对每个学生的成绩单进行训练？

如果我使用填充，我应该将时间步数和特征数设为我数据集的最大值吗？这似乎有问题，因为有 1000 多个不同的课程，所以我必须使用 1000 的特征向量并将 0 分配给未参加的课程，因此该模型似乎需要大量的空间和时间来训练/预测。

提前致谢。