Python 将千层面转换为Keras代码（CNN->；LSTM）

我想转换此千层面代码：

et = {}
net['input'] = lasagne.layers.InputLayer((100, 1, 24, 113))
net['conv1/5x1'] = lasagne.layers.Conv2DLayer(net['input'], 64, (5, 1))
net['shuff'] = lasagne.layers.DimshuffleLayer(net['conv1/5x1'], (0, 2, 1, 3))
net['lstm1'] = lasagne.layers.LSTMLayer(net['shuff'], 128)

在Keras代码中。现在我想到了这个：

multi_input = Input(shape=(1, 24, 113), name='multi_input')
y = Conv2D(64, (5, 1), activation='relu', data_format='channels_first')(multi_input)
y = LSTM(128)(y)

但我得到了错误：

输入0与层lstm_1不兼容：预期ndim=3，发现ndim=4

解决方案 解释 我将千层面和干酪的文件放在这里，以便您可以进行交叉参考：

递归层可以类似于前馈层使用，除了 输入形状应为

（批大小、序列长度、输入数量）

输入形状

具有形状的三维张量

（批量大小、时间步长、输入尺寸）

---

基本上API是相同的，但千层面可能会为您重新塑造（我需要稍后检查源代码）。这就是为什么会出现此错误：

Input 0 is incompatible with layer lstm_1: expected ndim=3, found ndim=4

，因为

Conv2D

之后的张量形状是

（？，64，20，113）

的

ndim=4

因此，解决方案是将其重塑为

（？，207232）

编辑 与千层面一起确认，它为您提供了窍门：

num_inputs = np.prod(input_shape[2:])

因此，作为LSTM输入的正确张量形状是

（？，20，64*113）

=

（？，207232）

---

注

Permute

在Keras中是多余的，因为您无论如何都必须重塑。我之所以把它放在这里，是为了将千层面“完整地翻译”成Keras，它做的和

DimshuffleLaye

在千层面中做的一样

---

然而，由于我在《编辑》中提到的原因，

DimshuffleLaye

在千层面中是必需的，千层面LSTM创建的新维度是“最后两个”维度的乘法。

即批次大小，我不是千层面的专家，但我认为使用与否无关。非常感谢，这就是我一直在寻找的解决方案和答案。

num_inputs = np.prod(input_shape[2:])