Tensorflow 在Keras中使用RNN和CNN

初学者问题

使用Keras，我有一个连续的CNN模型，根据图像（输入）预测[3*1]（回归）大小的输出

如何实现RNN，以便将模型的输出作为第二个输入添加到下一步。 （因此我们有两个输入：图像和前一序列的输出）

---

我找到的最简单的方法是直接扩展

模型

。以下代码将在TF 2.0中工作，但在旧版本中可能不工作：

class RecurrentModel(Model):
    def __init__(self, num_timesteps, *args, **kwargs):
        self.num_timesteps = num_timesteps
        super().__init__(*args, **kwargs)

    def build(self, input_shape):
        inputs = layers.Input((None, None, input_shape[-1]))
        x = layers.Conv2D(64, (3, 3), activation='relu'))(inputs)
        x = layers.MaxPooling2D((2, 2))(x)
        x = layers.Flatten()(x)
        x = layers.Dense(3, activation='linear')(x)
        self.model = Model(inputs=[inputs], outputs=[x])

    def call(self, inputs, **kwargs):
        x = inputs
        for i in range(self.num_timestaps):
            x = self.model(x)
        return x

---

非常有用的答案对我来说！但运行此命令会在我这方面产生错误：

在赋值之前引用了局部变量“x”

。您能澄清一下吗？

build（）

中的第二行应该有

输入作为输入，而不是
x
。修好了，谢谢！
class RecurrentModel(Model):
    def __init__(self, num_timesteps, *args, **kwargs):
        self.num_timesteps = num_timesteps
        super().__init__(*args, **kwargs)

    def build(self, input_shape):
        inputs = layers.Input((None, None, input_shape[-1]))
        x = layers.Conv2D(64, (3, 3), activation='relu'))(inputs)
        x = layers.MaxPooling2D((2, 2))(x)
        x = layers.Flatten()(x)
        x = layers.Dense(3, activation='linear')(x)
        self.model = Model(inputs=[inputs], outputs=[x])

    def call(self, inputs, **kwargs):
        x = inputs
        for i in range(self.num_timestaps):
            x = self.model(x)
        return x