假设您有时间序列数据$N$行和$700$您想要馈送到SimpleRNN(200, return_sequence=True)Keras 中的图层的列。在将其提供给 RNN 之前，您需要将之前的数据重塑为 3D 张量。所以它变成了一个$N \times 700 \times 1$.

^{图片取自https://colah.github.io/posts/2015-08-Understanding-LSTMs}

在 RNN 中，您的列（“700 列”）是 RNN 的时间步长。您的数据处理自$t=1 \ to \ 700$. 将数据输入 RNN 后，现在它有 700 个输出$h_1$ 到 $h_{700}$， 不是 $h_1$ 到 $h_{200}$. 请记住，现在数据的形状是$N \times 700 \times 200$这是样本（行）x时间步（列）x通道。

然后，当您应用 a 时TimeDistributedDense，您将Dense在每个时间步上应用一个图层，这意味着您在每个时间步上应用一个Dense图层$h_1$, $h_2$,...,$h_t$分别。这意味着：实际上，您分别在其每个通道（“200”通道）上应用完全连接的操作，来自$h_1$ 到 $h_{700}$. 第一个“$1 \times 1 \times 200$“直到第 700 个”$1 \times 1 \times 200$”。

我们为什么要这样做呢？因为您不想展平 RNN 输出。

为什么不扁平化 RNN 输出？因为您希望将每个时间步长值分开。

为什么将每个时间步长值分开？因为：

• 您只想在其自己的时间步之间交互值
• 您不希望在不同的时间步长和通道之间进行随机交互。