Python Keras-输入层和嵌入层错误

我试图建立一个电视脚本生成模型，当运行以下模型时，输入层和嵌入层出错。 我试着在没有这两条线的情况下运行这个模型，效果很好。有人能帮我纠正这个错误吗

embedding = 300
lstm_size = 128
vocab_size = len(vocab) #8420
seq_len = 100


model = Sequential()
model.add(Input((None, )))
model.add(Embedding(inp, input_dim = vocab_size, output_dim = embedding, 
input_length = 1000))
model.add(LSTM(lstm_size, return_sequences = True, return_state = True))
model.add(LSTM(lstm_size, return_sequences = True, return_state = True))
model.add(LSTM(lstm_size, return_sequences = True, return_state = True))
model.add(Flatten())
model.add(Dense(vocab_size))

---

TypeError回溯（最近一次调用）
在里面
19#模型=模型（输入，输出）
20模型=顺序（）
--->21模型。添加（输入（（无，））
22模型添加（嵌入（inp，输入尺寸=声音尺寸，输出尺寸=嵌入，输入长度=1000））
23模型。添加（LSTM（LSTM大小，返回序列=真，返回状态=真））
~\Anaconda3\lib\site packages\tensorflow\python\training\checkpointable\base.py in\u method\u包装（self，*args，**kwargs）
440 self._setattr_tracking=False#pylint:disable=protected access
441尝试：
-->442方法（self，*args，**kwargs）
443最后：
444 self._setattr_tracking=以前的值#pylint:disable=受保护的访问
添加中的~\Anaconda3\lib\site-packages\tensorflow\python\keras\engine\sequential.py（self，layer）
143 raise TypeError（'添加的图层必须为'
144“类层的实例”
-->145“找到：”+str（层））
146自建=错误
147设置_输入=错误
TypeError：添加的层必须是类层的实例。找到：张量（“输入_37:0”，形状=（？，？），数据类型=浮点32）
这就是输入层
以及，
---------------------------------------------------------------------------
TypeError回溯（最近一次调用上次）
在里面
20模型=顺序（）
21#model.add（输入（（无，））
--->22模型添加（嵌入（inp，输入尺寸=声音尺寸，输出尺寸=嵌入，输入长度=1000））
23模型。添加（LSTM（LSTM大小，返回序列=真，返回状态=真））
24 model.add（LSTM（LSTM大小，返回序列=True，返回状态=True））
TypeError:\uuuu init\uuuuuuuu（）为参数“input\u dim”获取了多个值
这是用于嵌入层的。

输入不是图层对象。这就是为什么会出现第一个错误。您不需要通过调用Sequential（）来传递类似的内容。嵌入（）可以是第一层

第二个错误是因为您正在向它传递

inp

。第一个值应为

inp

或

vocab_size

，但不能同时为这两个值

基本上

embedding = 300
lstm_size = 128
vocab_size = len(vocab) #8420
seq_len = 100


model = Sequential()
model.add(Embedding(vocab_size, embedding, input_length = 1000))

---

您应该包括您的导入以及什么是“inp”。inp=Input（（无，））

embedding = 300
lstm_size = 128
vocab_size = len(vocab) #8420
seq_len = 100


model = Sequential()
model.add(Embedding(vocab_size, embedding, input_length = 1000))