Python Keras：为什么在官方的seq2seq示例中没有使用时间分布而不是密集？

我现在正试图在Keras之上构建seq2seq模型

我提到了这一点，但我想知道为什么不使用

TimeDistibuted

层而不是

Dense

# Set up the decoder, using `encoder_states` as initial state.
decoder_inputs = Input(shape=(None, num_decoder_tokens))
# We set up our decoder to return full output sequences,
# and to return internal states as well. We don't use the
# return states in the training model, but we will use them in inference.
decoder_lstm = LSTM(latent_dim, return_sequences=True, return_state=True)
decoder_outputs, _, _ = decoder_lstm(decoder_inputs,
                                     initial_state=encoder_states)
decoder_dense = Dense(num_decoder_tokens, activation='softmax') # <- Here!
decoder_outputs = decoder_dense(decoder_outputs)

# Define the model that will turn
# `encoder_input_data` & `decoder_input_data` into `decoder_target_data`
model = Model([encoder_inputs, decoder_inputs], decoder_outputs)

#设置解码器，使用“编码器状态”作为初始状态。
解码器\u输入=输入（形状=（无，num\u解码器\u标记））
#我们将解码器设置为返回完整的输出序列，
#以及返回内部状态。我们不使用
#在训练模型中返回状态，但我们将在推理中使用它们。
解码器\u lstm=lstm（潜在\u dim，返回\u序列=True，返回\u状态=True）
解码器输出，解码器输入，
初始状态=编码器状态）
解码器\u密集=密集（num\u解码器\u令牌，activation='softmax'）#