凯拉斯·辛普伦困惑

…来自TensorFlow,在那里几乎所有的形状和所有的东西都是明确定义的,我对Keras用于递归模型的API感到困惑。让一个elman网络在tf工作是很容易的,但是keras拒绝接受正确的形状…

例如:

x = k.layers.Input(shape=(2,))
y = k.layers.Dense(10)(x)
m = k.models.Model(x, y)

…工作完美,符合 model.summary() 我得到一个有形状的输入层 (None, 2) ,然后是具有输出形状的密集层 (None, 10) 。这很有意义,因为keras会自动为批处理添加第一个维度。

但是,以下代码:

x = k.layers.Input(shape=(2,))
y = k.layers.SimpleRNN(10)(x)
m = k.models.Model(x, y)

引发异常 ValueError: Input 0 is incompatible with layer simple_rnn_1: expected ndim=3, found ndim=2 .

它只有在我添加另一个维度时才起作用:

x = k.layers.Input(shape=(2,1))
y = k.layers.SimpleRNN(10)(x)
m = k.models.Model(x, y)

……但现在,当然,我的意见不会是 (无,2) 不再。

模型摘要() :

_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
input_1 (InputLayer)         (None, 2, 1)              0         
_________________________________________________________________
simple_rnn_1 (SimpleRNN)     (None, 10)                120       
=================================================================

我怎样才能有类型的输入 batch_size X 2 当我只想给网络提供2个值的向量时?

此外,我如何连锁RNN细胞?

x = k.layers.Input(shape=(2, 1))
h = k.layers.SimpleRNN(10)(x)
y = k.layers.SimpleRNN(10)(h)
m = k.models.Model(x, y)

…对不兼容的维度大小引发相同的异常。

此示例有效:

x = k.layers.Input(shape=(2, 1))
h = k.layers.SimpleRNN(10, return_sequences=True)(x)
y = k.layers.SimpleRNN(10)(h)
m = k.models.Model(x, y)

…但是然后层 h 不输出 (无,10) 再也没有了,但是 (None, 2, 10) 因为它返回整个序列,而不仅仅是“常规”RNN单元输出。

为什么要这么做?

此外:美国在哪里?它们只是默认为1个循环状态吗?