Machine learning 编码器为每个输入返回相同的状态，如seq2seq

我在Keras中使用编码器-解码器seq2seq架构， 我正在传递一个热门的形状数组（num_样本、max_句子长度、max_单词）进行训练，并使用教师强制

编码器 潜在尺寸=256 编码器输入=输入（形状=（无，最多字）） 编码器=LSTM（潜在尺寸，返回状态=真） 编码器输出，状态h，状态c=编码器（编码器输入） 编码器状态=[状态h，状态c] #译码器 解码器输入=输入（形状=（无，最多字）） 解码器\u lstm=lstm（潜在\u dim，返回\u状态=True，返回\u序列= （对） 解码器输出，解码器lstm（解码器输入，初始状态= 编码器（美国） 解码器密集=密集（最大字数，激活='softmax'） 解码器输出=解码器输出（解码器输出） 对于推理模型：

推理模型 编码器模型=模型（编码器输入、编码器状态） 解码器\状态\输入\ h=输入（形状=（潜在尺寸） 解码器\状态\输入\ c=输入（形状=（潜在尺寸） 解码器\状态\输入=[解码器\状态\输入\ h，解码器\状态\输入\ c] 解码器输出，状态h，状态c=解码器lstm( 解码器输入，初始状态=解码器状态（输入） 解码器状态=[状态h，状态c] 解码器输出=解码器输出（解码器输出） 解码器\模型=模型( [解码器输入]+解码器状态输入， [解码器输出]+解码器状态）

---

我试着打印出编码器的模型状态，但是对于任何输入，它总是返回相同的状态。任何帮助都将不胜感激

这几乎就是Keras的例子，对吗

你训练过模特吗？您发布的所有内容都与Keras文档中的内容相同，因此我认为这可能不是问题所在

下面是一个有效的示例，它也是基于Keras文档的，看起来与您的非常相似。也许你可以试着浏览一下，看看你有什么不同