如果我做错了，请纠正我，但是根据官方Keras documentation的说法，默认情况下，fit函数的参数为'shuffle = True'，因此，它会在每个纪元内对整个训练数据集进行改组。
但是，使用递归神经网络（例如LSTM或GRU）的目的是使用每个数据的精确顺序，以便先前数据的状态影响当前数据。
如果我们重新整理所有数据，则所有逻辑序列都会中断。因此，我不明白为什么有很多LSTM的示例未将参数设置为False。使用不带序列的RNN有什么意义？
此外，当我将shuffle选项设置为False时，即使数据之间存在依赖关系，我的LSTM模型的性能也会降低：我使用连接链接的KDD99数据集。
答案 0 :(得分：1)
如果我们重新整理所有数据，则所有逻辑序列都会中断。
否，混洗发生在批处理轴上，而不是时间轴上。
通常，您用于RNN的数据具有以下形状：(batch_size, timesteps, features)
通常，您不仅给网络学习了一个序列，而且给了许多序列。仅对训练这些许多序列的顺序进行了打乱。序列本身保持完整。 改组通常是一个好主意，因为您的网络只能学习训练示例本身，而不是学习顺序。
话虽如此，在某些情况下，您确实只有一个巨大的序列需要学习。在这种情况下，您可以选择将序列分为几批。如果是这种情况，那么您担心改组会产生巨大的负面影响是绝对正确的，因此在这种情况下不要这样做！
注意：RNN具有一个stateful参数，您可以将其设置为True。在这种情况下，前一个批次的最后状态将传递到下一个状态，这有效地使您的RNN将所有批次视为一个巨大的序列。因此，如果您在多个批次中有大量序列，则绝对要这样做。