圖說起來可能更直觀些：

Tensor是一個高維數組，每單一個樣本是一個Input_Size*Time_Step的二維矩陣，其中Input_Size 代表觀察的特征數量，比如我需要用電池的電壓電流和溫度來預測SoC，此時Input_Size為3 。 Time_Step代表窗口的寬度。 而Batch_Size借評論里@ViVi 的話說，“就是表示有batch_size個這樣的二維矩陣送入網絡中訓練“。

以及，附送一個隨機抽取batch的小方法：

筆芯

以下為原答，年輕人還是輕狂。。。

##################################################################

愚以為，在上各位答主， 說的都不對。。。

理論上沒問題， 但是實際在設置RNN的時候， 如果這么理解的話估計訓到明年也訓不出。

一般在給訓練集的時候都會用的Dataloader， 此時就已經涉及到了一次BATCH_SIZE。再以pytorch為例， 在定義torch.nn.RNN()的時候，根據問題種類不同batch 和time_seq的含義不同：圖片分類：Dataloader 里的BS表示一次給幾張圖片。RNN的batch和time_seq分別為圖片像素的長寬。 此時不需要特別區分。

語句預測：BS指一次給幾段話， 而此時time_seq代表了把一段話分成幾句，batch表示每句話里有多少個字。

時間預測：這個就非常關鍵了。 BS表示一次給多長時間的數據量， time_seq代表把這段時間再劃分為幾小段時間，而 batch 則是每小段時間里有多少數據量。 而RNN展開的時間長度其實是batch的值。

我之前做時間預測的時候，BS設為100，且希望RNN展開100步。 參照其他答主的回答， 把time_seq設為了100，然后在迷途中游蕩了半個月，train的時候誤差e-3量級，一test壓根不擬合。直到在github上看了語句預測的例子，才發現概念完全弄反了。

以上。如有指正歡迎賜教。

總結

以上是生活随笔為你收集整理的lstm timestep一般是多少_请问rnn和lstm中batchsize和timestep的区别是什么？的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。