Tensorflow 理解keras层中的形状

我正在学习Tensorflow和Keras，以实现输入序列长度等于输出序列长度的多对多模型

示例代码：

投入：

voc_size = 10000
embed_dim = 64
lstm_units = 75
size_batch = 30
count_classes = 5

型号：

from tensorflow.keras.layers import ( Bidirectional, LSTM, 
                                Dense, Embedding, TimeDistributed )
from tensorflow.keras import Sequential

def sample_build(embed_dim, voc_size, batch_size, lstm_units, count_classes):
    model = Sequential()
    model.add(Embedding(input_dim=voc_size, 
                     output_dim=embed_dim,input_length=50))
    model.add(Bidirectional(LSTM(units=lstm_units,return_sequences=True),
                                         merge_mode="ave"))
    model.add(Dense(200))
    model.add(TimeDistributed(Dense(count_classes+1)))

    # Compile model
    model.compile(loss='categorical_crossentropy', 
                      optimizer='rmsprop', 
                      metrics=['accuracy'])
    model.summary()
    return model 


sample_model = sample_build(embed_dim,voc_size, 
                                    size_batch, rnn_units,
                                    count_classes)

我很难理解每一层的输入和输出的形状。例如，

嵌入层

的输出形状是

（批大小、时间步长、输入长度）

，在这种情况下，它是

（30、50、64）

---

类似地，

双向LSTM

之后的输出形状是

（30,50,75）

。这将是具有

200

单位的下一个

密集层的输入。但是
密集层
的权重矩阵的形状是（当前层中的
单元数
，前一层中的单元数，即
（200,75）
在这种情况下。那么，在
密集层的
2D
形状和双向层的
3D
形状之间，矩阵计算是如何进行的呢？任何关于形状澄清的解释都会很有帮助
密集层可以进行3D操作，它会将输入展平到形状上（批次大小*时间_步骤、特征）然后应用致密层并将其重新整形回orignal（批次大小、时间步骤、单位）。在致密层的keras中，它表示：

注意：如果层的输入具有大于2的秩，则稠密计算输入与内核之间沿输入的最后一个轴和内核的轴1的点积（使用tf.tensordot）。例如，如果输入具有维度（批次大小，d0，d1），则我们创建具有形状（d1，单位）的内核，内核沿输入轴2对形状（1，1，d1）的每个子张量进行操作（有batch_size*d0这样的子张量）。这种情况下的输出将具有形状（batch_size，d0，units）

关于
嵌入层的输出的另一点。正如您所说，这是一个3D输出，但形状正确对应（批次大小、输入尺寸、嵌入尺寸）
谢谢您的回答。因此，在这种情况下，通过对
密集层的输入进行展平
be
（30*50，75）=>（1500,75）
。在这种情况下，如果
致密层的
权重矩阵
的形状是
（200,75）
，我不明白计算是如何进行的，以及重塑的。你能解释一下吗？