Python，Keras-ValueError：无法为张量u'提供形状（10,70,1025）的值；密集的2个目标：0'；，其形状为'；（？，？）&x27；

我正在尝试分批训练RNN。 输入大小 (10, 70, 3075), 其中10表示批量大小，70表示时间维度，3075表示频率维度

有三个输出，其大小为 (10, 70, 1025) 每个，基本上是10个光谱图，大小（701025）

我想通过回归来训练这个RNN，它的结构是

input_img = Input(shape=(70,3075 ) )
x = Bidirectional(LSTM(n_hid,return_sequences=True, dropout=0.5,    recurrent_dropout=0.2))(input_img)
x = Dropout(0.2)(x)
x = Bidirectional(LSTM(n_hid,  dropout=0.5, recurrent_dropout=0.2))(x)
x = Dropout(0.2)(x)
o0 = ( Dense(1025, activation='sigmoid'))(x)
o1 = ( Dense(1025, activation='sigmoid'))(x)
o2 = ( Dense(1025, activation='sigmoid'))(x)

问题是输出密集层不能考虑三维，它们需要类似（None，1025）的东西，我不知道如何提供，除非我沿着时间维度连接

出现以下错误：

ValueError:无法为具有形状“（？，？）”的张量u'dense_2_target:0”馈送形状（10,701025）的值

---

批处理形状选项在输入层中有用吗？实际上我已经试过了，但我也有同样的错误。

要获得正确的输出形状，可以使用重塑层：

o0 = Dense(70 * 1025, activation='sigmoid')(x)
o0 = Reshape((70, 1025)))(o0)

---

这将输出（批次号701025）。您可以对其他两个输出执行完全相同的操作。

在本例中，第二个RNN将序列折叠为一个向量，因为默认情况下

return\u sequences=False

。要生成模型返回序列并在每个时间步上分别运行密集层，只需将

return\u sequences=True

添加到第二个RNN：

x = Bidirectional(LSTM(n_hid,  return_sequences=True, dropout=0.5, recurrent_dropout=0.2))(x)

密集层将自动应用于最后一个尺寸标注，因此以后无需重塑