Keras: ValueError TimeDistributed()

Question

我正在修改用于时间序列分类的Keras教程。

def make_model(input_shape):
    input_layer = keras.layers.Input(input_shape)

    conv1 = keras.layers.Conv1D(filters=256, kernel_size=5, padding="same")(input_layer)
    conv1 = keras.layers.BatchNormalization()(conv1)
    conv1 = keras.layers.ReLU()(conv1)
    conv1 = keras.layers.TimeDistributed(conv1)(input_layer)

    conv2 = keras.layers.Conv1D(filters=128, kernel_size=5, padding="same")(conv1)
    conv2 = keras.layers.BatchNormalization()(conv2)
    conv2 = keras.layers.ReLU()(conv2)
    conv2 = keras.layers.TimeDistributed(conv2)(conv2)

    conv3 = keras.layers.Conv1D(filters=64, kernel_size=3, padding="same")(conv2)
    conv3 = keras.layers.BatchNormalization()(conv3)
    conv3 = keras.layers.ReLU()(conv3)
    conv3 = keras.layers.TimeDistributed(conv3)(conv3)

    conv4 = keras.layers.Conv1D(filters=32, kernel_size=3, padding="same")(conv3)
    conv4 = keras.layers.BatchNormalization()(conv4)
    conv4 = keras.layers.ReLU()(conv4)
    conv4 = keras.layers.TimeDistributed(conv4)(conv4)
    conv4 = keras.layers.Dropout(0.5)(conv4)

    pool = keras.layers.MaxPool1D(pool_size=2)(conv4)
    pool = keras.layers.TimeDistributed()(pool)

    flat = keras.layers.Flatten()(pool)
    flat = keras.layers.TimeDistributed(flat)(flat)

    lstm = keras.layers.LSTM(100)(flat)
    lstm = keras.layers.Dropout(0.5)(lstm)

    gap = keras.layers.Dense(100, activation='relu')

    output_layer = keras.layers.Dense(num_classes, activation="softmax")(gap)

    return keras.models.Model(inputs=input_layer, outputs=output_layer)


model = make_model(input_shape=x_train.shape[1:])
keras.utils.plot_model(model, show_shapes=True)

并得到以下错误：

ValueError:请使用tf.keras.layers.Layer实例初始化TimeDistributed层。接收:KerasTensor(type_spec=TensorSpec(无，17808,256个)，dtype=tf.float32，name=None)，名称=‘Relu_7/Relu:0’，description=“由层‘re_lu_7’创建‘)

我见过一些代码，人们使用Sequential()和add()方法。但是现在，我只是在挣扎于代码的这一部分，我想了解如何使TimeDistributed工作。

编辑

我有一个带有形状的数据集：( 4093,17808，1) --基本上每一行一个样本，包含4093行和17808个时间观察。现在我使用了input_shape = (17808，1)。有了下面的代码建议，我有点迷失了，到底应该是什么重塑维度。显然不是(32，32，32)

Answer 1

重要的是，您需要输入任何形状来创建一个矩阵，这是创建时间分布的一种更快的方法。在编码中有几个要点，你可以从你的问题示例代码中找到，但原因是一个域分布来正确地比较或缩放它们。

时间是您在处理序列时可以依赖的一个通道，并且您没有任何域可关联，而是当您处理多个域时，例如输入层的输入或剩余网络。

样本:目标域轴上的时间分布。

import os
from os.path import exists

import tensorflow as tf

"""""""""""""""""""""""""""""""""""""""""""""""""""""""""
: Variables
"""""""""""""""""""""""""""""""""""""""""""""""""""""""""
(train_images, train_labels), (test_images, test_labels) = tf.keras.datasets.cifar10.load_data()
num_classes = 10

"""""""""""""""""""""""""""""""""""""""""""""""""""""""""
: Class / Definition
"""""""""""""""""""""""""""""""""""""""""""""""""""""""""
def make_model(input_shape):
    input_layer = tf.keras.layers.Input(input_shape)

    conv1 = tf.keras.layers.Conv1D(filters=256, kernel_size=5, padding="same")(input_layer)
    conv1 = tf.keras.layers.BatchNormalization()(conv1)
    conv1 = tf.keras.layers.TimeDistributed( tf.keras.layers.ReLU() )( conv1 )

    conv2 = tf.keras.layers.Conv1D(filters=128, kernel_size=5, padding="same")(conv1)
    conv2 = tf.keras.layers.BatchNormalization()(conv2)
    conv2 = tf.keras.layers.TimeDistributed( tf.keras.layers.ReLU() )( conv2 )

    conv3 = tf.keras.layers.Conv1D(filters=64, kernel_size=3, padding="same")(conv2)
    conv3 = tf.keras.layers.BatchNormalization()(conv3)
    conv3 = tf.keras.layers.TimeDistributed( tf.keras.layers.ReLU() )( conv3 )

    conv4 = tf.keras.layers.Conv1D(filters=32, kernel_size=3, padding="same")(conv3)
    conv4 = tf.keras.layers.BatchNormalization()(conv4)
    conv4 = tf.keras.layers.TimeDistributed( tf.keras.layers.ReLU() )( conv4 )
    conv4 = tf.keras.layers.Dropout(0.5)(conv4)

    pool = tf.keras.layers.Reshape((32, 32, 32))(conv4)
    pool = tf.keras.layers.TimeDistributed( tf.keras.layers.MaxPool1D(pool_size=2) )( pool )

    flat = tf.keras.layers.Flatten()(pool)
    flat = tf.keras.layers.Reshape((128, 128))(flat)

    lstm = tf.keras.layers.LSTM(100)(flat)
    lstm = tf.keras.layers.Dropout(0.5)(lstm)

    gap = tf.keras.layers.Dense(100, activation='relu')(lstm)

    output_layer = tf.keras.layers.Dense(num_classes, activation="softmax")(gap)

    return tf.keras.models.Model(inputs=input_layer, outputs=output_layer)

"""""""""""""""""""""""""""""""""""""""""""""""""""""""""
: Model Initialize
"""""""""""""""""""""""""""""""""""""""""""""""""""""""""
model = make_model(input_shape=(32, 32, 3))
tf.keras.utils.plot_model(model, show_shapes=True)

输出:打印模型摘要，与目标模型进行验证，比较它们的层次和介质。

​

​