在Keras序列模型中添加时间分布（密集）层时出现断言错误

我正在构建一个RNN来预测多对一问题

#Input_X:
[
[1,2,3,4,5,6,7,8,9,10],
[2,3,4,5,6,7,8,9,10,11]
]

#Input_Y:
[
11,
12
]
#Each number represent a category

X=np.reshape(Input_X,(len(Input_X), 10, 1))

y=np.utils.to_catgeorical(Input_Y)  #one hot encode,

我的模型设置：

#####This works 
model=Sequential()
model.add(LSTM(256, input_shape(X.shape[1], X.shape[2])))
model.add(Dense(y.shape[1], activation='softmax'))
model.compile(loss='categorical_crossentrophy', optimizer='adam', metrics=['accuracy'])
model.fit(X,y, ........) 

我想改为尝试时间分布（密集）层，例如：。因此，我将上面的内容改为下面的内容：

model=Sequential()
model.add(LSTM(256, input_shape(X.shape[1], X.shape[2])))
model.add(TimeDistributed(Dense(y.shape[1], activation='softmax')))
model.compile(loss='categorical_crossentrophy', optimizer='adam', metrics=['accuracy'])
model.fit(X,y, ........) 

我得到了一个断言错误。哪个报表的矩阵大小不是预期的。

---

我错过了哪些步骤？

我认为您需要将

return\u sequences=True

添加到LSTM单元格中

```
model=Sequential()
model.add(LSTM(256, return_sequences=True, input_shape(X.shape[1], X.shape[2])))
model.add(TimeDistributed(Dense(y.shape[1], activation='softmax')))
model.compile(loss='categorical_crossentrophy', optimizer='adam', metrics=['accuracy'])
model.fit(X,y, ........) 

---

```

return\u sequences=True

适合我

---

在OP的问题中，y.shape是（2,1），它有两个样本，只有一个特征，因此它不适合多对多模型。

时间分布密度确实适用于多对多，如果我将输入y修改为每个输出的长度为2。当使用

return\u sequences=True

I get

ValueError:Error当检查target:expected time\u distributed\u 11有3个维度时，我仍然得到了AssertionErrorNope，但得到了形状为（2，50）的数组