Machine learning 顺序模型中图层的附加参数

我试图在顺序模型中使用一个新层，但是，该层需要一些额外的输入。当模型不连续时。模型就像

X_in = Input(shape=(X.shape[1],))    
H = Dropout(0.5)(X_in)
H = GraphConvolution(16, support, activation='relu', kernel_regularizer=l2(5e-4))([H]+[G])
H = Dropout(0.5)(H)
Y = GraphConvolution(y.shape[1], support, activation='softmax')([H]+[G])
model = Model(inputs=[X_in]+[G], outputs=Y)
model.compile(loss='categorical_crossentropy', optimizer=Adam(lr=0.01))

我尝试使用下面的sequential（）函数，但不知道如何以这种方式添加层

model2 = Sequential()
batch_size = 5
model2.add(Dropout(0.5, input_shape=(X.shape[0], X.shape[1])))

我还尝试创建输入序列，并分别在不同的时间戳调用GraphConvolution。 我试过了

也

但我真的不知道如何独立地处理输入序列的每个输入。因为

input_sequences.shape[0]=None

这个问题很简单，我也曾多次遇到过同样的问题。非常感谢，欢迎回答

~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~

我有一些解决办法，但不是那么简单。我在输入函数中使用批处理形状：

with tf.name_scope('input_sequence'):
    input_sequences = Input(batch_shape=(X.shape[0], timestamps, X.shape[1]))
    gcn_output = []

    for i in range(timestamps):
        gcn_output.append(tf.expand_dims(model([input_sequences[:,i,:]]+[G]),1))
    gcn_output_tensor = tf.concat(
        gcn_output,
        axis=1,
        name='concat'
    )

---

使用输入序列=输入（批处理形状=（X.shape[0]，时间戳，X.shape[1]））

使用

批处理输入形状

似乎是解决您问题的最方便的方法。@MarcinMożejko谢谢@MarcinMożejko您知道如何改进处理每个时间戳的输入并连接它们的过程吗？我当前的实现使用一个列表，然后使用concat，这看起来不那么简单…谢谢！我也有同样的问题，但我仍然不知道该怎么办。

input_sequences = Input(shape=(batch_size, X.shape[0], X.shape[1]),batch_shape=(None, None, None))

with tf.name_scope('input_sequence'):
    input_sequences = Input(batch_shape=(X.shape[0], timestamps, X.shape[1]))
    gcn_output = []

    for i in range(timestamps):
        gcn_output.append(tf.expand_dims(model([input_sequences[:,i,:]]+[G]),1))
    gcn_output_tensor = tf.concat(
        gcn_output,
        axis=1,
        name='concat'
    )