作为对已接受答案的补充，本答案展示了Keras的行为以及如何实现每个图片。
Keras的一般行为
标准的Keras内部处理始终是多对多，就像下面的图片一样（我使用features=2，压力和温度，仅作为示例）：
在这个图像中，我将步数增加到5，以避免与其他维度混淆。
对于这个例子：
- 我们有N个油罐
- 我们花了5个小时每小时进行测量（时间步长）
- 我们测量了两个特征：
- 压力P
- 温度T
我们的输入数组应该是一个形状为(N,5,2)的东西。
[ Step1 Step2 Step3 Step4 Step5
Tank A: [[Pa1,Ta1], [Pa2,Ta2], [Pa3,Ta3], [Pa4,Ta4], [Pa5,Ta5]],
Tank B: [[Pb1,Tb1], [Pb2,Tb2], [Pb3,Tb3], [Pb4,Tb4], [Pb5,Tb5]],
....
Tank N: [[Pn1,Tn1], [Pn2,Tn2], [Pn3,Tn3], [Pn4,Tn4], [Pn5,Tn5]],
]
滑动窗口的输入
通常，LSTM层被认为是处理整个序列的。将其划分为窗口可能不是最好的想法。该层有关于随着步骤的前进而演变序列的内部状态。窗口消除了学习长序列的可能性，限制所有序列到窗口大小。
在窗口中，每个窗口是原始序列的一部分，但在Keras中它们将被视为独立的序列:
[ Step1 Step2 Step3 Step4 Step5
Window A: [[P1,T1], [P2,T2], [P3,T3], [P4,T4], [P5,T5]],
Window B: [[P2,T2], [P3,T3], [P4,T4], [P5,T5], [P6,T6]],
Window C: [[P3,T3], [P4,T4], [P5,T5], [P6,T6], [P7,T7]],
....
]
注意，在这种情况下，您最初只有一个序列，但是您将其分成多个序列以创建窗口。
“什么是序列”的概念是抽象的。重要的部分包括：
- 您可以有许多单独的序列批次
- 使序列成为序列的原因是它们以步长（通常是时间步长）演变
使用“单层”实现每种情况
实现标准的多对多：
您可以通过简单的LSTM层，使用return_sequences=True实现多对多：
outputs = LSTM(units, return_sequences=True)(inputs)
实现多对一：
使用完全相同的层，Keras将执行完全相同的内部预处理，但当您使用return_sequences=False（或简单地忽略此参数）时，Keras会自动丢弃前面的步骤并保留最后一个步骤：
outputs = LSTM(units)(inputs)
实现一对多
现在，这不仅仅是由keras LSTM层支持的。您将不得不创建自己的策略来复制步骤。有两种好方法：
- 通过重复张量创建一个恒定的多步输入
- 使用
stateful=True，以循环地获取一步的输出，并将其作为下一步的输入提供（需要output_features == input_features）
使用重复向量的一对多
为了适应keras的标准行为，我们需要按步骤输入，因此，我们只需重复要求长度的输入即可：
outputs = RepeatVector(steps)(inputs)
outputs = LSTM(units,return_sequences=True)(outputs)
了解stateful = True
现在是stateful=True的可能用法之一（除了避免一次性加载无法适应计算机内存的数据）
Stateful允许我们分阶段输入序列的“部分”。不同之处在于：
- 在
stateful=False中，第二个批次包含全新的序列，与第一个批次独立。
- 在
stateful=True中，第二个批次继续第一个批次，扩展相同的序列。
这就像将序列分成窗口一样，有两个主要区别：
- 这些窗口不重叠！
stateful=True将看到这些窗口连接为单个长序列。
在stateful=True中，每个新批次都将被解释为继续前一个批次（直到您调用model.reset_states()）。
- 批次2中的序列1将继续批次1中的序列1。
- 批次2中的序列2将继续批次1中的序列2。
- 批次2中的序列n将继续批次1中的序列n。
输入示例，批次1包含步骤1和2，批次2包含步骤3到5：
BATCH 1 BATCH 2
[ Step1 Step2 | [ Step3 Step4 Step5
Tank A: [[Pa1,Ta1], [Pa2,Ta2], | [Pa3,Ta3], [Pa4,Ta4], [Pa5,Ta5]],
Tank B: [[Pb1,Tb1], [Pb2,Tb2], | [Pb3,Tb3], [Pb4,Tb4], [Pb5,Tb5]],
.... |
Tank N: [[Pn1,Tn1], [Pn2,Tn2], | [Pn3,Tn3], [Pn4,Tn4], [Pn5,Tn5]],
] ]
注意批次1和批次2的坦克排列方式！这就是为什么我们需要
shuffle=False（当然，除非我们只使用一个序列）。
您可以拥有任意数量的批次，无限制。（对于每个批次具有可变长度的情况，请使用input_shape=(None,features)。
一对多，stateful=True
对于我们这里的情况，我们将每个批次仅使用1个步骤，因为我们想获取一个输出步骤并使其成为输入。
请注意，图片中的行为不是由stateful=True引起的。我们将在下面的手动循环中强制执行该行为。在本例中，stateful=True是允许我们停止序列，操纵我们想要的内容，并从我们停止的地方继续的“允许”。
说实话，对于这种情况，重复的方法可能是更好的选择。但由于我们正在研究 "stateful=True"，这是一个很好的例子。使用它的最佳方式是下一个 "many to many" 情况。
层：
outputs = LSTM(units=features,
stateful=True,
return_sequences=True,
input_shape=(None,features))(inputs)
现在，我们需要手动循环进行预测：
input_data = someDataWithShape((batch, 1, features))
model.reset_states()
output_sequence = []
last_step = input_data
for i in steps_to_predict:
new_step = model.predict(last_step)
output_sequence.append(new_step)
last_step = new_step
model.reset_states()
使用stateful=True的多对多
现在，我们有一个非常好的应用程序：给定一个输入序列，尝试预测其未来的未知步骤。
我们使用与上面“一对多”相同的方法，不同之处在于：
- 我们将使用序列本身作为目标数据，提前一步
- 我们知道部分序列（因此我们会丢弃这部分结果）。
图层（同上）：
outputs = LSTM(units=features,
stateful=True,
return_sequences=True,
input_shape=(None,features))(inputs)
培训:
我们将对模型进行训练，以预测序列的下一步：
totalSequences = someSequencesShaped((batch, steps, features))
X = totalSequences[:,:-1]
Y = totalSequences[:,1:]
for epoch in range(epochs):
model.reset_states()
model.train_on_batch(X,Y)
预测：
我们的预测的第一阶段涉及“调整状态”。这就是为什么我们要再次预测整个序列，即使我们已经知道其中的一部分：
model.reset_states()
predicted = model.predict(totalSequences)
firstNewStep = predicted[:,-1:]
现在我们像处理一对多的情况那样进入循环。但是
不要在这里重置状态!我们希望模型知道序列中的哪个步骤（并且它知道它在第一个新步骤，因为我们刚刚做出了预测）。
output_sequence = [firstNewStep]
last_step = firstNewStep
for i in steps_to_predict:
new_step = model.predict(last_step)
output_sequence.append(new_step)
last_step = new_step
model.reset_states()
这种方法被用于以下答案和文件：
实现复杂配置
在以上所有示例中，我展示了“一层”的行为。
当然，您可以将许多层堆叠在一起，不一定都遵循相同的模式，并创建自己的模型。
一个有趣的例子是“自编码器”，它具有“多对一编码器”后跟“一对多解码器”：
编码器：
inputs = Input((steps,features))
outputs = LSTM(hidden1,return_sequences=True)(inputs)
outputs = LSTM(hidden2,return_sequences=True)(outputs)
outputs = LSTM(hidden3)(outputs)
encoder = Model(inputs,outputs)
解码器：
使用“重复”方法；
inputs = Input((hidden3,))
outputs = RepeatVector(steps)(inputs)
outputs = LSTM(hidden4,return_sequences=True)(outputs)
outputs = LSTM(features,return_sequences=True)(outputs)
decoder = Model(inputs,outputs)
自编码器：
inputs = Input((steps,features))
outputs = encoder(inputs)
outputs = decoder(outputs)
autoencoder = Model(inputs,outputs)
使用fit(X,X)进行训练。
额外的解释
如果您想了解有关LSTM中步骤如何计算或stateful=True情况的详细信息，可以在此答案中阅读更多内容：关于理解Keras LSTMs的疑问。
