Tensorflow 如何并行化自定义lstm（4d输入）

排列层后，尺寸变为（无、无、12、16） 我想用一个LSTM（48个单位）和输入_形状（12，16）来总结最后两个维度 使总体尺寸变为（无，无，48）

目前，我有一个自定义lstm和lstmcell的解决方案，但是它的速度非常慢，因为我在单元格中使用了另一个lstm，等等

我想要的是：

(None, None, 12, 16)
(None, None, 48)
(None, None, 60)

最后两个是在自定义lstm中完成的（目前），有没有办法将它们分开

这样做的正确方法是什么？ 我们可以为具有相同权重但不同单元状态的单元创建不同（或多个）lstm吗？ 你能告诉我一些方向吗

输入（输入层）（无、36、无、1）0

---

convlayer（Conv2D）（无，36，无，16）160个输入[0][0]

---

mp（MaxPoolig2D）（无、12、无、16）0 convlayer[0][0]

---

排列1（排列）（无、无、12、16）0 mp[0][0]

---

重塑_1（重塑）（无，无，192）0排列_1[0][0]

---

自定义\u lstm\u扩展\u 1（自定义（无，无，60）26160重塑\u 1[0][0]

自定义LSTM的名称如下所示： CustomLSTMExtended（单位=60，摘要单位=48，返回序列=True，返回状态=False，输入形状=（无，192））（内部）

---

我已经使用tf.reforme而不是keras reforme层完成了这项工作。 Keras重塑层不希望您干扰“批量大小”尺寸

shape = Lambda(lambda x: tf.shape(x), output_shape=(4,))(inner)
..
..
inner = Lambda(lambda x : customreshape(x), output_shape=(None, 48))([inner, shape])
..
def customreshape(inputs):
    inner = inputs[0]
    shape = inputs[1]
    import tensorflow as tf2 
    reshaped = tf2.reshape(inner, [shape[0], shape[1], 48] )
    return reshaped

Cell class:
def call(self, inputs, states, training=None):
        #cell
        reshaped = Reshape([12, 16])(inputs)
        state_h = self.summarizeLayer(reshaped)
        inputsx = state_h[0]
        return super(SummarizeLSTMCellExtended, self).call(inputsx, states, training)

shape = Lambda(lambda x: tf.shape(x), output_shape=(4,))(inner)
..
..
inner = Lambda(lambda x : customreshape(x), output_shape=(None, 48))([inner, shape])
..
def customreshape(inputs):
    inner = inputs[0]
    shape = inputs[1]
    import tensorflow as tf2 
    reshaped = tf2.reshape(inner, [shape[0], shape[1], 48] )
    return reshaped