如何在 Keras 中将 (None, 10) 维张量重塑为 (None, None, 10)？

Question

我正在尝试将可变大小的序列输入 LSTM。因此，我使用的是生成器，批量大小为 1。
我有一个嵌入的 (sequence_length,)-input-tensor，并输出一个 (batch_size, sequence_length, embeding_dimension)-tensor.
同时，我拥有的其他输入数据的大小为 (sequence_length, features)，即 (None, 10)，我想将其重塑为 (batch_size, sequence_length, features)，即 (None, None, 10)。

我尝试将 Keras Reshape-Layer 与 target_shape (-1, 10) 一起使用，这应该等同于将 (None, 10) 展开为 (None, None, 10)，但我收到的是 (None, 1, 10) 张量，这使得无法将其与嵌入的数据连接起来以将其提供给 LSTM。
我的代码：

cluster = Input(shape=(None,))
embeded = Embedding(115, 25, input_length = None)(cluster)

features = Input(shape=(10,)) #variable
reshape = Reshape(target_shape=(-1, 10))(features)

merged = Concatenate(axis=-1)([embeded, reshape])

[...]

model.fit_generator(generator(), steps_per_epoch=1, epochs=5)

输出：

[...]
ValueError: A `Concatenate` layer requires inputs with matching shapes except for the concat axis. Got inputs shapes: [(None, None, 25), (None, 1, 10)]

如何在 Keras 中将 (None, 10) 重塑为 (None, None, 10) 张量？

Answer 1

与在 NumPy 中进行重塑相比，在 Keras 中执行此操作不会有任何好处。您可以：

# perform reshaping prior to passing to Keras
features = Input(shape=(None, 10))

并在传递到 Keras 之前执行整形，在那里您可以在输入中获得实际的 batch_size 和 sequence_length。

如何在 Keras 中将 (None, 10) 维张量重塑为 (None, None, 10)？

How to reshape (None, 10)-dimensional tensor to (None, None, 10) in Keras?

python

machine-learning

neural-network

keras

recurrent-neural-network