Python 在KERA中的多对一RNN中使用时态类权重

我有一个模型，它使用几个多对多RNN层，然后是单个多对一层和一对一解码层

因此，第一个RNN层使用参数return\u sequences=True，第二个RNN层使用return\u sequences=False

到目前为止，这是可行的，但当我添加样本权重时，它会崩溃。如果我有一个常规的多对多网络，我只需在编译函数中设置sample_weight_mode=temporal，并将权重定义为2d矩阵

然而，在我的多对一案例中，这不起作用，因为我得到了一个错误，即时间权重期望输出中有一个时间维度。我意识到这可能是因为我的解码层不再是时间的多对一。但我不能使用非时间权重运行网络，因为这不能与多对多层一起工作

对于混合多对多和多对一层的样品重量，是否有解决方案

下面是我的模型，希望能澄清一点：

_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
the_input (InputLayer)       (None, 20, 249)           0         
_________________________________________________________________
masking_1 (Masking)          (None, 20, 249)           0         
_________________________________________________________________
time_distributed_1 (TimeDist (None, 20, 64)            16000     
_________________________________________________________________
relu (Activation)            (None, 20, 64)            0         
_________________________________________________________________
simple_rnn_1 (SimpleRNN)     (None, 20, 16)            1296      
_________________________________________________________________
simple_rnn_2 (SimpleRNN)     (None, 16)                528       
_________________________________________________________________
dense_2 (Dense)              (None, 36)                612       
_________________________________________________________________
softmax (Activation)         (None, 36)                0         
=================================================================

TL；DR-只需将“采样重量”模式设置为“无”

但我不能使用非时间权重运行网络，因为这不能与多对多层一起工作

这句话让我觉得你实际上不明白样本权重应该做什么。 发件人：

样本权重：训练样本的可选权重Numpy数组，用于对损失函数进行加权

这意味着您的样本权重将仅用于损失函数，并且在较新版本中，也将用于加权度量。由于损失函数只是输出的函数，我看不出依赖于时间的中间层会影响任何东西的原因

---

如果每个时间序列只有一个输出，那么示例就是整个时间序列，而不是每个时间步。因此，使您的样本重量与您将用于MLP的样本重量相同，例如

您是对的，当然，这是我的错误。出于某种原因，我的印象是权重应用于网络的每一层。但显然，这只与计算加权误差有关，加权误差随后通过网络反向传播。