我的分类问题如下：我有一系列特征。这些用于预测 200 个类别之一。我正在尝试使用 RNN（更具体的 LSTM）。

在每次学习迭代中，我的框架都会处理一个小批量（B 个长度为 N 的特征序列）。在那里，序列中的每个特征都被输入网络，导致 N 次循环迭代，每次迭代都输入 B 个特征。

实际问题是关于 LSTM 的基本学习过程，那么我应该什么时候重置 LSTM 的状态？我是否必须在每次迭代时都这样做，所以对于每个小批量？还是在实际训练之前进行一次重置？

我对此的第一个想法如下：如果我在每次学习迭代中重置状态，那么 LSTM 会根据 B 个特征序列计算新状态，这对于同一个类来说是不必要的。训练在一个小批量中包含来自同一类的样本（特征序列）会更好吗？

编辑：在与我的同事讨论和对我正在使用的框架（chainer）进行一些调查之后，我发现了一些东西。首先，正如您所说，每个小批量都应该重置状态。其他框架，如 tensorflow，会在每次通过网络之前自动重置。我的问题的第二部分实际上是关于 LSTM 中的状态是否在 minibatch 中的所有样本之间共享。答案是不。在 chainer 中，LSTM 保存 B（对于每个序列一个）状态。最后，在重新思考我的问题之后，答案其实很明显，但是当你对某件事不熟悉时，一切都不清楚。