您的具体情况

在批次索引处[seq1 0-1s]（长序列的第 1 秒）之后，批次seq1索引处有（相同序列的第 2 秒），这正是我们设置时所需要的。0b[seq1 1-2s]seq10b+1stateful=True

请注意，每批内的样本必须具有相同的长度，如果正确完成，则（不是内部）批次之间的序列长度差异不会导致问题。也就是说，当批次中的所有样本b都处理完毕后，将处理下一批样本b+1，以此类推。

一个普遍的例子

作为一般示例，对于stateful=True和batch_size=2，数据集如

seq1: s11, s12, s13, s14
seq2: s21, s22, s23
seq3: s31, s32, s33, s34, s35
seq4: s41, s42, s43, s44, s45, s46

其中sij表示第 j 个时间步，必须像这样构造

    batch 1         batch 2         batch 3         batch 4  

0   s21, s22        s23, <pad>      s31, s32, s33   s34, s35, <pad>   ...
1   s11, s12        s13, s14        s41, s42, s43   s44, s45, s46

或类似（有重叠）

    batch 1         batch 2         batch 3         

0   s21, s22        s22, s23        s23, <pad>    ...
1   s11, s12        s12, s13        s13, s14   

其中，例如，长序列s21, s22, s23（3 个时间步长）被分解为两个子序列s21, s22和s23, <pad>。此外，如您所见，可以有具有不同序列长度的批次（通过使用自定义批次生成器）。

请注意，<pad>（填充值）应该被屏蔽以防止 RNN 将它们视为实际值（更多信息在这篇文章中）。我们还可以通过选择batch_size=1可能过于严格的填充值来避免使用填充值（更多信息在这篇文章中）。

以下是具有 5 个时间步长的序列的两个示例：

            s11   s12   s13   s14   s15

example 1   23,   25,   27,   24,    28     # 5 temperature readings for t to t+4

example 2   I,    like, LSTM, very,  much   # 5 128-dim word embeddings

一些资源

1. 您可能会发现这篇关于有状态与无状态 LSTM 的文章很有帮助。文章中的一些引用：

   具有相同配置的无状态 LSTM 在这个问题上的表现可能比有状态版本更好。

   和

   当使用大批量时，可以使用无状态 LSTM 模拟有状态 LSTM。

2. Philippe Remy 撰写的关于 Keras 中的 Stateful LSTM 的博客

3. Keras github上的一些意见，像这样。