Tensorflow keras Sequential.add与内联定义不同？

当我通过声明性方法而不是函数性方法定义模型时，Keras给出了不同的结果。这两个模型似乎是等价的，但使用“.add（）”语法是有效的，而使用声明性语法会产生错误——每次都是不同的错误，但通常类似于：

shape（10，1）的目标数组被传递为shape（None，16）的输出，同时用作loss`mean_squared_error`。此损失期望目标与输出具有相同的形状。

输入形状的自动转换似乎有些问题，但我不知道是什么。有人知道我做错了什么吗？为什么这两个模型不完全相同

import tensorflow as tf
import tensorflow.keras
import numpy as np

x = np.arange(10).reshape((-1,1,1))
y = np.arange(10)

#This model works fine
model = tf.keras.Sequential()
model.add(tf.keras.layers.LSTM(32, input_shape=(1, 1), return_sequences = True))
model.add(tf.keras.layers.LSTM(16))
model.add(tf.keras.layers.Dense(1))
model.add(tf.keras.layers.Activation('linear'))

#This model fails. But shouldn't this be equivalent to the above?
model2 = tf.keras.Sequential(
{
    tf.keras.layers.LSTM(32, input_shape=(1, 1), return_sequences = True),
    tf.keras.layers.LSTM(16),
    tf.keras.layers.Dense(1),
    tf.keras.layers.Activation('linear')
})

#This works
model.compile(loss='mean_squared_error', optimizer='adagrad')
model.fit(x, y, epochs=1, batch_size=1, verbose=2)

#But this doesn't! Why not? The error is different each time, but usually
#something about the input size being wrong
model2.compile(loss='mean_squared_error', optimizer='adagrad') 
model2.fit(x, y, epochs=1, batch_size=1, verbose=2)

为什么这两个模型不相等？为什么一个能正确处理输入大小，而另一个不能？第二个模型每次都会出现不同的错误（有时甚至会出现错误），所以我想可能与第一个模型有一些交互作用？但是我试着对第一个模型进行了注释，但没有任何帮助。那么为什么第二个不起作用呢

更新：这是第一个和第二个模型的“model.summary（）。它们看起来确实不同，但我不明白为什么

对于model.summary（）：

对于model2.summary（）：

---

使用内联声明创建模型时，将层放在大括号

{}

中，这使其成为一个集合，本质上是无序的。将大括号更改为方括号

[]

将它们放在有序列表中。这将确保层在模型中的顺序正确。

使用内联声明创建模型时，将层放在大括号

{}

中，这使其成为一个集合，本质上是无序的。将大括号更改为方括号

[]

将它们放入一个有序列表中。这将确保层在模型中的顺序正确。

可以为每个模型包含

model.summary（）

吗？好的，我在上面添加了它。但不确定它们为什么不同？可以包含

model.summary（）吗

对于每种型号？好的，我在上面添加了。但不确定它们为什么不同？

Model: "sequential"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
lstm (LSTM)                  (None, 1, 32)             4352      
_________________________________________________________________
lstm_1 (LSTM)                (None, 16)                3136      
_________________________________________________________________
dense (Dense)                (None, 1)                 17        
_________________________________________________________________
activation (Activation)      (None, 1)                 0         
=================================================================
Total params: 7,505
Trainable params: 7,505
Non-trainable params: 0

model: "sequential_1"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
lstm_2 (LSTM)                (None, 1, 32)             4352      
_________________________________________________________________
activation_1 (Activation)    (None, 1, 32)             0         
_________________________________________________________________
lstm_3 (LSTM)                (None, 16)                3136      
_________________________________________________________________
dense_1 (Dense)              (None, 1)                 17        
=================================================================
Total params: 7,505
Trainable params: 7,505
Non-trainable params: 0```