如何用TensorFlow实现输入特征乘积的累积求和RNN模型？

你的核心问题是跨样本的累积状态没有被保留——默认的RNN层在每次predict时会自动重置状态，导致每个输入样本的累积计算是独立的，无法实现连续累加。以下是修复后的完整代码和关键修改点：

修复后的代码 #

import numpy as np
import tensorflow as tf

class MinimalRNNCell(tf.keras.layers.Layer):
    def __init__(self, units, **kwargs):
        self.units = units
        self.state_size = units
        super(MinimalRNNCell, self).__init__(**kwargs)

    def call(self, inputs, states):
        prev_state = states[0]
        # 累积求和：上一次状态 + 当前输入的乘积
        new_state = prev_state + inputs
        return new_state, [new_state]

# 构建带状态保持的模型
# 指定batch_input_shape=(1,2)：固定批量大小为1，输入特征数为2
inp = tf.keras.layers.Input(batch_input_shape=(1, 2))
x1, x2 = tf.split(inp, num_or_size_splits=2, axis=1)
product = tf.math.multiply(x1, x2)
# 调整形状为RNN要求的 (batch_size, time_steps, features) 格式
time_product = tf.keras.layers.Reshape((1, 1))(product)
# 启用stateful=True，让模型在连续predict时保留状态
memory_product = MinimalRNNCell(units=1)
layer_product = tf.keras.layers.RNN(memory_product, stateful=True)
cumulative_product = layer_product(time_product)

model = tf.keras.models.Model(inp, cumulative_product)

if __name__ == "__main__":
    model.compile()
    
    # 第一个输入：乘积1*2=2，初始状态0 → 0+2=2
    print(model.predict([[1, 2]]))
    # >>> [[2.]]
    
    # 第二个输入：乘积2*2=4，上一状态2 → 2+4=6
    print(model.predict([[2, 2]]))
    # >>> [[6.]]
    
    # 重置状态为初始值0
    model.reset_states()
    
    # 重置后输入：乘积2*2=4，状态0 → 0+4=4
    print(model.predict([[2, 2]]))
    # >>> [[4.]]

关键修改点 #

1. 启用RNN状态保持：在RNN层设置stateful=True，这样模型会在连续的predict调用中保留上一次的输出状态，实现跨样本累积。
2. 固定批量维度：使用batch_input_shape=(1,2)定义输入，明确批量大小为1（适配单样本连续输入的场景），这是stateful RNN的要求。
3. 清理冗余状态变量：删除自定义Cell中多余的self.states和self.state（numpy数组），RNN层会自动管理状态，call方法中的states参数就是上一次的状态值。
4. 输入格式修正：predict时传入二维数组[[1,2]]，匹配模型的批量输入维度要求。

内容的提问来源于stack exchange，提问作者Simon Chemnitz-Thomsen