我把自己逼到了一个角落，有人可以解释一下吗？
我觉得我错过了一些明显的东西......
如果对于 LSTM，每一层都使用来自 t 和 t-1 的输入进行训练，那么这意味着如果我有一个包含 10 000 个观察值的训练集，那么网络将被训练以获得 10 000 个观察值并产生一个结果是所有这些的函数。如果我在一个包含 1 000 个观察值的测试集上使用它，为什么它会起作用？
或者，如果我想从一次观察中做出预测，这会起作用吗？
在 LSTM 的情况下，训练测试（在上面的玩具示例中）是否应该是 10000 个观测值（即 9000 个旧的“训练”观测值和 1000 个新的“测试”观测值）？
LSTM 通常用于序列预测问题，例如，当数据集是时间序列时。
在那种数据集中，您不会以正常（又名随机）的方式拆分数据集，以避免前瞻偏差。正如您所说，我们应该用“旧观察”进行训练并用“新观察”进行测试。
在 LSTM 的情况下，训练测试（在上面的玩具示例中）是否应该是 10000 个观测值（即 9000 个旧的“训练”观测值和 1000 个新的“测试”观测值）？
这句话对我来说有点不清楚。如果您有一个包含 10 000 个观测值的数据集，则可以使用 9000 个旧观测值进行训练并使用 1000 个新观测值进行测试。在任何情况下，训练集都不应该包含测试数据。
下面是一个如何拆分时间序列数据集的示例：我们有从 01-01-2000 到 31-12-2004 的数据，我们可以选择 01-01-2004 作为拆分日期：
训练集：数据从 01-01-2000 到 31-12-2003
测试集：数据从 01-01-2004 到 31-12-2004
在这种情况下，在训练阶段没有使用来自未来的知识，我们可以使用模型来预测测试集中的数据。