我正在看一本书中的一个例子。输入是形状（样本=128，时间步长=24，特征=13）。当定义两个不同的网络时，它们都接收相同的输入，它们在平面和GRU层上具有不同的input_shape。
模型1：
model = Sequential()
model.add(layers.Flatten(input_shape=(24, 13)))
model.add(layers.Dense(32, activation='relu'))
model.add(layers.Dense(1))模式2：
model = Sequential()
model.add(layers.GRU(32, input_shape=(None, 13)))
model.add(layers.Dense(1))我知道input_shape表示单个输入的形状（不考虑批量大小），所以根据我的理解，两种情况下的input_shape都应该是（24，13）。
为什么模型1和模型2的input_shape不同？
1条答案
按热度按时间kt06eoxx1#
GRU是一个循环单元（RNN），它将数据序列作为输入。GRU的预期输入形状为（批大小、序列长度、特征大小）。在您的示例中，序列长度为24，特征大小为13。
像往常一样，你不需要为input_shape参数指定批大小。另外，对于像GRU或LSTM这样的重复单元，你可以使用“None”代替序列长度，这样它就可以接受任何长度的序列。这就是为什么这里允许“input_shape=（None，13）”。