最近尝试图像序列预测方面的东西，打算用深度学习算法（convlstm模型）。很多文献都提到用encoder-decoder的结构，对此有很多问题不解：
1、这种结构的好处？如果不用这种结构，直接堆叠layer构建模型训练，与这种方法有什么区别？
2、如果使用这种结构，encoder的输入是否就是x_train？decoder的输入是否就是y_train? 需要考虑shift吗，怎么考虑？
3、如果有图像的semantic segmentation需求，采用这种结构是否有天然的好处？
希望得到大家的指教，如果有好的例程，也请大家给个链接。谢谢
--
修改:DragonDon FROM 117.174.29.*
FROM 117.174.29.*