TensorFlow数据集Innermost与Outermost索引及维度含义问询

先明确示例给出的维度基准：

All shapes are: (batch, time, features)
Window shape: (3, 7, 19)
Inputs shape: (3, 6, 19)
Labels shape: (3, 1, 1)

针对三个疑问逐一说明：

• outermost与innermost索引的定义
  两个术语是按数组的实际嵌套层级划分的，不是按索引数字从0开始数“内层”。
  拿Python原生嵌套列表类比3维张量：最外层的列表长度对应batch大小，访问数据时第一层剥开的就是batch维度，对应索引位置0，所以叫outermost（最外层）；往内嵌套的第二层是时间步维度；最内层嵌套的列表存单个时间步的所有特征值，对应最后一位索引，也就是innermost（最内层）。
  举个shape为(2,2,2)的极简张量例子：

  data = [ # 最外层：索引0对应batch维度，长度2等于batch size
    [ # 中间层：索引1对应time维度
      [1,2], # 最内层：索引2对应feature维度
      [3,4]
    ],
    [
      [5,6],
      [7,8]
    ]
  ]
  

  要取到单个特征值8，需要逐层索引写data[1][1][1]，最先写的0位索引对应最外层结构，最后写的2位索引对应最内层结构。你之前觉得索引0是最内层，是把索引数字顺序和嵌套层级的对应关系搞反了。
• middle indices的复数表述问题
  教程里的这个说法是覆盖所有TensorFlow数据场景的通用表述，不是专门针对3维时序数据写的。
  比如处理图像任务时，张量shape是(batch, height, width, channels)，batch和channels中间夹了height、width两个维度，所以用了复数形式的indices。在当前时序场景下，张量只有3维，batch和features中间只夹了1个time维度，属于通用表述下的正常情况，不是必须凑够2个及以上维度才算middle indices。
• time/space表述在当前时序场景的含义
  这个表述是在说明中间维度的核心作用：存储数据的固有结构关联，既不是独立样本，也不是独立特征。
  如果是图像类任务，中间维度存储像素的空间位置关系（高、宽方向的相邻像素关联），也就是space维度；在当前时间序列预测场景里，中间维度就是time维度，存储窗口内时间步的先后顺序关系——这个顺序不能随意打乱，否则时间依赖关系就会消失，模型无法学习历史步的规律来预测未来值。

内容的提问来源于stack exchange，提问作者quant