Deep learning 用于不同长度输入序列预训练的LSTM自动编码器

我需要一些帮助来理解用深度学习解决问题的最佳方法是什么。 我的数据库中有许多未标记序列和一些标记序列。 我想检索每个带标签序列的标签。 序列有不同的长度，通常很长。 到目前为止，我一直在考虑做以下工作：

使用LSTM自动编码器作为“预训练步骤”，学习使用未标记数据的序列的简化表示

使用相同的模型对标记序列进行编码

使用另一个模型从简化表示中检索标记数据（LSTM、SVM等）

我的问题是：

如何处理不同长度的序列？

到目前为止，我已经为自动编码器部分尝试了以下方法（使用Keras后端Theano）：

在填充了我的序列之后。 但我不确定这样做是否合适，因为我的测试数据（标记序列）可能比列车数据的最长序列（未标记序列）长

没什么可说的，所有这些对我来说都是全新的，在看了很多文章/论坛之后，我有点迷路了。我也不确定这是处理此类问题的最佳方式

---

任何帮助都将不胜感激。谢谢。

您可以将LSTM的输入形状设置为（无，2），让Keras动态决定序列长度。这可能与您有关：谢谢您的回复！但如果我使用（无，2）作为输入_形状，我想我不能使用RepeatVector，对吗？或者我应该向这个函数传递什么参数？

model = Sequential()
model.add(Masking(mask_value=0, input_shape=(None,2)))
model.add(LSTM(32, input_shape = (8785,2), return_sequences = True))
model.add(LSTM(32, input_shape = (8785,2), return_sequences = True))
model.add(LSTM(32, input_shape = (8785,2)))
model.add(RepeatVector(8785))
model.add(LSTM(32, input_shape = (8785,2), return_sequences = True))
model.add(LSTM(32, input_shape = (8785,2), return_sequences = True))
model.add(LSTM(32, input_shape = (8785,2), return_sequences = True))
model.add(TimeDistributed(Dense(2)))