lstm timestep一般是多少_请问rnn和lstm中batchsize和timestep的区别是什么？

图说起来可能更直观些：

Tensor是一个高维数组，每单一个样本是一个Input_Size*Time_Step的二维矩阵，其中Input_Size 代表观察的特征数量，比如我需要用电池的电压电流和温度来预测SoC，此时Input_Size为3 。 Time_Step代表窗口的宽度。 而Batch_Size借评论里@ViVi 的话说，“就是表示有batch_size个这样的二维矩阵送入网络中训练“。

以及，附送一个随机抽取batch的小方法：

笔芯

以下为原答，年轻人还是轻狂。。。

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

愚以为，在上各位答主， 说的都不对。。。

理论上没问题， 但是实际在设置RNN的时候， 如果这么理解的话估计训到明年也训不出。

一般在给训练集的时候都会用的Dataloader， 此时就已经涉及到了一次BATCH_SIZE。再以pytorch为例， 在定义torch.nn.RNN()的时候，根据问题种类不同batch 和time_seq的含义不同：图片分类：Dataloader 里的BS表示一次给几张图片。RNN的batch和time_seq分别为图片像素的长宽。 此时不需要特别区分。

语句预测：BS指一次给几段话， 而此时time_seq代表了把一段话分成几句，batch表示每句话里有多少个字。

时间预测：这个就非常关键了。 BS表示一次给多长时间的数据量， time_seq代表把这段时间再划分为几小段时间，而 batch 则是每小段时间里有多少数据量。 而RNN展开的时间长度其实是batch的值。

我之前做时间预测的时候，BS设为100，且希望RNN展开100步。 参照其他答主的回答， 把time_seq设为了100，然后在迷途中游荡了半个月，train的时候误差e-3量级，一test压根不拟合。直到在github上看了语句预测的例子，才发现概念完全弄反了。

以上。如有指正欢迎赐教。