Neural network 如何在Keras中构建一个递归神经网络，其中每个输入首先经过一层？

我正试图在Keras中建立一个神经网络，看起来像这样：

x_dims = [50, 40, 30, 20, 10]
n = 5


def network():

    shared_f = Conv1D(5, 3, activation='relu')
    shated_LSTM = LSTM(10)

    inputs = []
    to_concat = []
    for i in range(n):
        x_i = Input(shape=(x_dims[i], 1), name='x_' + str(i))
        inputs.append(x_i)
        step1 = shared_f(x_i)
        to_concat.append(shated_LSTM(step1))

    merged = concatenate(to_concat)

    final = Dense(2, activation='softmax')(merged)

    model = Model(inputs=inputs, outputs=[final])
    # model = Model(inputs=[sequence], outputs=[part1])

    model.compile(loss='mse', optimizer='adam', metrics=['accuracy'])

    return model

m = network()

其中x_1，x_2。。。是经过相同变换f的输入向量。f本身就是一个必须学习其参数的层。序列长度n在实例之间是可变的

我很难理解这里的两件事：

输入应该是什么样子？
我考虑的是一个具有形状的二维张量（输入的数量，x维），其中x维是单个向量的长度$x$。这样的二维张量可以有一个可变的形状吗？我知道张量可以有不同的形状用于批处理，但我不知道这是否对我有帮助

在将每个输入向量馈送到RNN层之前，如何使其通过相同的转换？
是否有一种方法可以对GRU进行排序，例如，在通过实际GRU单元之前添加一个f层

---

我不是专家，但我希望这能有所帮助

问题1:

向量x1，x2。。。xn可以有不同的形状，但我不确定x1的实例是否可以有不同的形状。当我有不同的形状时，我通常用0填充短序列

问题2:

我不确定是否要扩展GRU，但我会这样做：

x_dims = [50, 40, 30, 20, 10]
n = 5


def network():

    shared_f = Conv1D(5, 3, activation='relu')
    shated_LSTM = LSTM(10)

    inputs = []
    to_concat = []
    for i in range(n):
        x_i = Input(shape=(x_dims[i], 1), name='x_' + str(i))
        inputs.append(x_i)
        step1 = shared_f(x_i)
        to_concat.append(shated_LSTM(step1))

    merged = concatenate(to_concat)

    final = Dense(2, activation='softmax')(merged)

    model = Model(inputs=inputs, outputs=[final])
    # model = Model(inputs=[sequence], outputs=[part1])

    model.compile(loss='mse', optimizer='adam', metrics=['accuracy'])

    return model

m = network()

在本例中，我使用Conv1D作为共享

f

转换，但您可以使用其他转换（嵌入等）