我正在尝试分批训练RNN。
输入输入尺寸
（10、70、3075），
其中10是批次大小，70是时间维度，3075是频率维度。
有三个输出，其大小为
（10、70、1025）
每个，基本上是10个频谱图，大小分别为（70,1025）。
我想通过回归训练该RNN，其结构为
input_img = Input(shape=(70,3075 ) )
x = Bidirectional(LSTM(n_hid,return_sequences=True, dropout=0.5, recurrent_dropout=0.2))(input_img)
x = Dropout(0.2)(x)
x = Bidirectional(LSTM(n_hid, dropout=0.5, recurrent_dropout=0.2))(x)
x = Dropout(0.2)(x)
o0 = ( Dense(1025, activation='sigmoid'))(x)
o1 = ( Dense(1025, activation='sigmoid'))(x)
o2 = ( Dense(1025, activation='sigmoid'))(x)
问题在于，输出密集层无法考虑三个维度，它们需要类似（None，1025）的内容，除非我沿着时间维度进行连接，否则我不知道该如何提供。
发生以下错误：
ValueError：无法为形状为'（？，？）'的Tensor u'dense_2_target：0'输入形状（10、70、1025）的值
batch_shape选项在输入层中有用吗？我实际上已经尝试过，但是我遇到了同样的错误。
最佳答案
在这种情况下，第二个RNN将序列折叠为单个向量，因为默认情况下return_sequences=False。要使模型返回序列并在每个时间步上分别运行Dense层，只需将return_sequences=True也添加到第二个RNN中：
x = Bidirectional(LSTM(n_hid, return_sequences=True, dropout=0.5, recurrent_dropout=0.2))(x)
密集层自动应用于最后一个尺寸，因此以后无需重塑形状。
关于python - Python，Keras-ValueError:无法为Tensor u'dense_2_target:0'输入形状为((？，？)'的形状(10，70，1025)的值，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/54260919/