Python 时间分布层在Keras中的作用是什么？

我试图理解时间分布包装器在Keras中的作用

我得到了“时间分布”将层应用于输入的每个时间片段

但是我做了一些实验，得到了我无法理解的结果

简言之，对于LSTM层，时间分布和致密层具有相同的结果

model = Sequential()
model.add(LSTM(5, input_shape = (10, 20), return_sequences = True))
model.add(TimeDistributed(Dense(1)))
print(model.output_shape)

model = Sequential()
model.add(LSTM(5, input_shape = (10, 20), return_sequences = True))
model.add((Dense(1)))
print(model.output_shape)

对于这两个模型，我得到的输出形状都是（无，10，1）

---

有人能解释RNN层之后的时间分布层和密集层之间的差异吗？

在

keras

中-在建立顺序模型时-通常第二维度（样本维度之后的一个维度）与

时间维度相关。这意味着，例如，如果您的数据是
5-dim
带
（样本、时间、宽度、长度、通道）
，您可以使用
TimeDistributed
（适用于
4-dim
带
（样本、宽度、长度、通道）
）沿时间维度应用卷积层（将同一层应用于每个时间片）以获得
5-d
输出

densite
的情况是，在2.0版的
keras
中，默认情况下
densite
仅应用于最后一个维度（例如，如果应用
densite（10）
输入形状
（n，m，o，p）
您将获得形状
（n，m，o，10）
）因此，在您的情况下，
densed
和
TimeDistributed（densed）
是等效的。
目前ssem没有区别，对此进行了讨论。我认为最初的目的是区分
密集的
层，将输入展平，然后进行重塑，从而连接不同的时间步并具有更多的参数，
时间分布的
保持时间步为se分离（因此具有较少的参数）。在您的情况下，
densite
应该具有500个参数，
TimeDistributed
50@gionni不，它有相同数量的参数（都是6个）.所以atm实际上没有区别？是的，没错，如果有区别的话，这些就是参数的数量。目前还没有使用时间分布包装模型本身的例子。当这应用于
输入
张量时，与只做
映射应用于包含
输入的每个片段的列表的模型的
？