Keras 在recurrentshop中使用返回序列

我正在尝试使用Keras编写一个自定义的递归层。 输入是一个长度为“timesteps”的序列，输出应该是所有timesteps输出的序列，因此我使用

return\u sequences=True

递归模型有两个输入，其中一个是最后一个时间步的递归输入。我使用的这一层与类似，但我不断收到错误信息，如“您必须使用dtype float为占位符张量'input_2'提供一个值”。我做错了什么？完整代码如下：

将keras.backend导入为K
从recurrentshop导入RecurrentModel
将numpy作为np导入
从keras.models导入模型
从keras.layers导入稠密、重塑、Conv1D、输入、Lambda、连接
从keras.optimizers导入Adam
#参数：
时间步长=35
输出尺寸=315
输入尺寸=10
批量大小=100
#循环层定义：
def myRNN（输入尺寸、输出尺寸）：
inp=输入（（输入尺寸）
h_tm1=输入（（输出尺寸）
修正的λh=λ（λx:x*K.和（K.平方（inp）））（h_tm1）
修改的_inp=densite（输出尺寸，使用_bias=False，激活=tanh'）（inp）
修改后的_-inp=重塑（（输出尺寸，1））（修改后的_-inp）
修改的_inp=Conv1D（128,7，padding='same'，activation='tanh'，use_bias=False）（修改的_inp）
修改的_inp=Lambda（Lambda x:K.sum（x，轴=-1））（修改的_inp）
hid=串联（[modified_h，modified_inp]，轴=-1）
h_t=密集（输出尺寸，使用偏差=False，激活=tanh'）（hid）
返回递归模型（输入=输入，输出=输出，初始状态=输出tm1，最终状态=输出t，
返回\u sequences=True，状态\u初始值设定项=['zeros']）
#构建模型：
inp=输入（（时间步，输入尺寸））
温度=myRNN（输入尺寸，输出尺寸）（输入尺寸）
out=重塑（（时间步长*输出尺寸，1））（温度）
模型=模型（输入=输入，输出=输出）
compile（loss='mse'，optimizer='adam'）
#测试模型：
inp=np.random.rand（批量大小、时间步长、输入尺寸）
预测=模型预测（inp）

发现问题出在Lambda层：

modified_h = Lambda(lambda x: x * K.sum(K.square(inp)))(h_tm1)

通过定义函数解决了这个问题：

def factored_h(arg):
    norm = K.sum(K.square(arg[0]))
    return arg[1]*norm

将Lambda层重新表述如下：

modified_h =Lambda(factored_h)([inp, h_tm1])

---

Υ你可以接受你自己的答案，如果你知道答案有效的话。通过这种方式，您可以通知其他人实际存在有效的解决方案。