Python 这是有效的seq2seq lstm模型吗？

你好，我正在尝试建立一个seq2seq模型来生成一些音乐。 不过我真的不太了解它。 在互联网上，我发现了这种模式：

def createSeq2Seq（）：
#seq2seq模型
#编码器
模型=顺序（）
添加（LSTM（输入形状=（无，输入尺寸），单位=数量单位，激活='tanh'，返回序列=真））
添加（BatchNormalization（））
模型。添加（辍学（0.3））
添加（LSTM（num_单位，激活='tanh'））
#译码器
模型添加（重复向量（y顺序长度））
层数=2
对于范围内的u（num_层）：
add（LSTM（num_单位，激活='tanh'，返回_序列=True））
添加（BatchNormalization（））
模型。添加（辍学（0.3））
添加（时间分布（密集（输出尺寸，激活='softmax'））
回归模型

我的数据是一张钢琴的列表。钢琴卷是一个矩阵，列表示不同可能音高的一个热编码（在我的例子中为49），每列表示一个时间（在我的例子中为0,02秒）。然后，pianoroll矩阵只有1和0

我已经准备好了我的训练数据，将我的pianoroll歌曲（一首接一首）重塑成 形状=（某物，批量大小，49）。因此，我的输入数据是所有的歌曲，一首接一首，以batchsize大小的块分开。然后，我的训练数据是相同的输入，但延迟了一批

x顺序长度和y顺序长度等于批次大小。输入尺寸=49

我的输入和输出序列具有相同的维度

---

我的推理有错误吗？我发现seq2seq型号正确吗？RepeatVector做什么？

这不是seq2seq模型

RepeatVector

获取最后一个编码器LSTM的最后一个状态，并为每个输出令牌创建一个副本。然后将这些副本输入到“解码器”LSTM中，因此它在每个时间步中都有相同的输入

适当的自回归解码器将其先前的输出作为输入，即，在训练时，解码器的输入与其输出相同，但移动了一个位置。这也意味着您的模型错过了解码器输入的嵌入层