我在 Keras 文档和其他网站中读到了它们，但我无法完全理解它们究竟做了什么以及我们应该如何在设计many-to-many或encoder-decoderLSTM 网络中使用它们？
我在这里看到它们用于解决这个问题。
model = Sequential() model.add(LSTM(input_dim=1, output_dim=hidden_neurons, return_sequences=False)) model.add(RepeatVector(10)) model.add(LSTM(output_dim=hidden_neurons, return_sequences=True)) model.add(TimeDistributed(Dense(1))) model.add(Activation('linear')) model.compile(loss='mean_squared_error', optimizer='rmsprop', metrics=['accuracy'])
根据文档：
重复输入 n 次。
他们还提供了一个例子：
model = Sequential()
model.add(Dense(32, input_dim=32))
# now: model.output_shape == (None, 32)
# note: `None` is the batch dimension
model.add(RepeatVector(3))
# now: model.output_shape == (None, 3, 32)
在上面的示例中，该RepeatVector层将传入的输入重复特定次数。上例中输入的形状是( 32 , ). 但是 的输出形状RepeatVector是( 3 , 32 )，因为输入重复了 3 次。
tf.keras.layers.TimeDistributed()
根据文档：
该包装器允许将层应用于输入的每个时间切片。输入至少应为 3D，索引 1 的维度将被视为时间维度。
您可以参考他们网站上的示例。
TimeDistributedlayer 应用一个特定的层，例如Dense它作为输入接收的每个样本。假设输入大小是 (13 , 10 , 6 )。现在，我需要为每个形状切片（ 10 、 6 ）应用一个 Dense 层。然后我将Dense图层包裹在一个TimeDistributed图层中。
model.add( TimeDistributed( Dense( 12 , input_shape=( 10 , 6 ) )) )
这种层的输出形状将是 (13 , 10 , 12 )。因此，Dense如前所述，层的操作被应用于每个时间切片。
对于编码器-解码器，您的输入被压缩为单个特征向量，如果您希望输出重新生成与原始输入相同的维度，您可以“人为地”将此特征张量从 1D 转换为 2D，方法是使用RepeatVector().