Keras 中 TimeDistributed 层的作用是什么？
我试图掌握 TimeDistributed 包装器在 Keras 中的作用。
我得到 TimeDistributed “将一个层应用于输入的每个时间切片”。
但是我做了一些实验，得到了我无法理解的结果。
简而言之，对于 LSTM 层，TimeDistributed 和 just Dense 层具有相同的结果。
model = Sequential()
model.add(LSTM(5, input_shape = (10, 20), return_sequences = True))
model.add(TimeDistributed(Dense(1)))
print(model.output_shape)
model = Sequential()
model.add(LSTM(5, input_shape = (10, 20), return_sequences = True))
model.add((Dense(1)))
print(model.output_shape)
对于这两个模型，我得到的输出形状都是 (None, 10, 1)。
谁能解释 RNN 层之后 TimeDistributed 和 Dense 层之间的区别？
Dense 层将输入展平然后重新整形，从而连接不同的时间步并具有更多参数，而 TimeDistributed 保持时间步分离（因此具有更少的参数）。在您的情况下 Dense 应该有 500 个参数，TimeDistributed 只有 50
在 keras - 在构建顺序模型时 - 通常是第二个维度（样本维度之后的一个） - 与 time 维度相关。这意味着，例如，如果您的数据是 5-dim 和 (sample, time, width, length, channel)，您可以使用 TimeDistributed（适用于 4-dim 和 (sample, width, length, channel)）沿时间维度应用卷积层（将同一层应用于每个时间片）以获得5-d输出。
Dense 的情况是，在 2.0 版的 keras 中，Dense 默认仅应用于最后一个维度（例如，如果您将 Dense(10) 应用于形状为 (n, m, o, p) 的输入，您将得到形状为 (n, m, o, 10) 的输出}) 所以在你的情况下 Dense 和 TimeDistributed(Dense) 是等价的。
Input张量时，与仅将模型的map应用于包含Input的每个切片的列表相比，有什么不同吗？