我目前正在研究这篇论文以将其实现到语音识别应用程序中，但似乎在理解时间步的概念时遇到了一些问题。什么是时间步长？
我以前没有使用过 RNN，但我猜想在连续的数据流中，时间步长将是时间 t 出现的数据。
但是如何在基于迭代的系统中实现/训练类似的东西呢？...
我的意思是像 keras 这样的东西，不能涉及从 t-1 到 t 收到的输出......或者如果是这样，如何？，我似乎不熟悉这个......
在另一篇论文中我发现了这个
要理解 RCL 的本质，有必要澄清 RCL 中时间步长的概念。它与与顺序数据关联的时间不同，而是指处理数据期间的迭代。
然后进一步符合我的理论，即它是关于作为迭代 t-1 涉及/处理的数据。
几个词汇：
层：一整套具有共享权重的接收单元，用于创建卷积特征图
单位：CNN 给定层中的单个 nxn 邻域滤波器算子（比如 3x3 或 5x5，无论您使用的是什么给定的滤波器大小）
步幅：层的每个单元的中心之间的距离或填充
在卷积层中，卷积操作可以被认为是一个滑动窗口，其中来自给定层的过滤器应用于像素的左上角块，然后向左滑动 1 个水平步长并重复直到结束行，然后它向下跳 1 个垂直步长并重新开始，依此类推。这在 CNN 中实现为 2D 单元网格，所有单元共享相同的卷积权重（这产生与滑动窗口相同的结果）。
RCL采用了卷积的滑动窗口概念，并为其增加了内存，因此每个单元内的滤波器都会根据前一个单元的响应进行修改。时间步长表示您希望在当前过滤器的计算中直接包含多少步。因此，如果我有一个过滤器大小为 5x5 的 RCL，并且对于 100x100 的图像大小的步幅为 1，则单个卷积层（假设它为过滤器半径填充）将具有 100x100 单位的网格。利用 N 的时间步长意味着您将包括网格上先前 N 个单元的响应结果来计算新的单元响应（或者更准确地说，是反向传播中的单元权重）。