我正在尝试使用Functional API在Keras中训练一个ConvLSTM 2D模型，有一点我很困惑，我已经阅读了一整天了，我不确定我是否真的理解我在做什么，简单来说，我认为我不需要使用有状态模型，但我在尝试找出如何让模型考虑到初始值（在t0处）目标特征（Y），然后预测序列的其余部分的目标值（在t1处到任何时候）。
这个任务有点像预测降雨：在时间t在位置x、y处降雨量是各种不同特征的乘积（比如风速，海拔等），当然还有前期的降水量，因为如果已经下雨了，就更有可能继续下雨，因为现在的天气状况应该可以帮助我们预测未来的天气，目标值偏移（或滞后）一个时间步长，因此t0处的x预测t1处的y。
我从另一个团队那里继承了一些代码，他们和我一样无知，但对自己的能力更有信心。（具体来说，是他们编写数据生成器的方式）是他们对X和Y数组使用相同的特征向量（对Y阵列应用移位），不幸的结果是他们预测了所有的特征，而不仅仅是感兴趣的那一个。模型定义和训练代码看起来像这样：

inputs = layers.Input(shape = (sequence_length, x_grid_length, y_grid_length, num_features))
outputs = layers.ConvLSTM2D(filters = 32,
                            kernel_size = (5,5),
                            padding = "same",
                            return_sequences = True,
                            stateful = False,
                            activation = "relu")(inputs)
outputs = layers.ConvLSTM2D(filters = 32,
                            kernel_size = (3,3),
                            padding = "same",
                            return_sequences = True,
                            stateful = False,
                            activation = "relu")(outputs)
outputs = layers.Conv3D(filters = 1,
                        kernel_size = (3, 3, 3),
                        padding = "same",
                        activation = "sigmoid")(outputs)
model = keras.models.Model(inputs = inputs, outputs = outputs)
loss = keras.losses.mean_squared_error
opt = keras.optimizers.Adam(learning_rate = 0.001)
model.compile(loss = loss, optimizer = opt)

history = model.fit(training_data,
                    epochs = 8,
                    verbose = 2,
                    validation_data = val_data)

这里，变量training_data和val_data是Keras Sequence的自定义子类的示例。我修改了sequence类，只返回目标值Y（即雨的量），并将“return_sequence”设置为True，同时仍然返回整个特性集，包括目标列，作为X。
在第一次尝试训练后，我意识到我有一个问题：如果我尝试从测试集进行预测，我会将降水量的正确值输入到预测中，当然最后一个时间步长除外--这有点违背了RNN的目的。这显然是不正确的，所以我修改了序列类，只提供X的非目标特征。但这也是不正确的，因为如果在序列开始时已经下雨了，这些信息没有进入模型。
阅读了很多之后，我认为我不需要有状态模型，因为我只关心t0时的目标值（我正在训练重叠的序列，从t0、t1、t2等开始，这不适合有状态模型，在有状态模型中，我希望使用一个序列的最后一个状态作为下一个序列的第一个状态）。我意识到即使使用无状态模型，我可以使用reset_state来指定初始状态--但是我想指定目标特性的初始值，而不是指定隐藏层的初始状态。