我正在尝试使用Keras函数式API构建一个多输入多输出的模型，并且我在按照他们的代码进行操作时遇到了以下错误：

ValueError: Concatenate层需要除了连接轴之外形状匹配的输入。接收到的输入形状为：[(None, 50), (None, 50, 1)]

我跳过了嵌入层，以下是我的代码：

def build_model(self):    main_input = Input(shape=(self.seq_len, 1), name='main_input')    print(main_input.shape)    # seq_len = 50    # LSTM将向量序列转换为单一向量，    # 包含关于整个序列的信息    lstm_out = LSTM(self.seq_len,input_shape=(self.seq_len,1) )(main_input)    self.auxiliary_output = Dense(1, activation='sigmoid', name='aux_output')(lstm_out)    auxiliary_input = Input(shape=(self.seq_len,1), name='aux_input')    print(auxiliary_input.shape)    x = concatenate([lstm_out, auxiliary_input])    # 我们在顶部堆叠了一个深度全连接网络    x = Dense(64, activation='relu')(x)    x = Dense(64, activation='relu')(x)    x = Dense(64, activation='relu')(x)    # 最后我们添加了主要的逻辑回归层    main_output = Dense(1, activation='sigmoid', name='main_output')(x)    self.model = Model(inputs=[main_input, auxiliary_input], outputs=[main_output, auxiliary_output])    print(self.model.summary())    self.model.compile(optimizer='rmsprop', loss='binary_crossentropy',              loss_weights=[1., 0.2])

我在连接步骤中遇到了这个错误，尽管打印的两个层的形状都是(?,50,1)。我不确定为什么会出现这种情况，以及第一个层的input_shape的确切错误是什么，为什么使用print(main_input.shape)时没有得到预期的相同形状，以及如何解决这个问题？

更新：

我通过更改第二输入层的形状找到了解决错误的方法

auxiliary_input = Input(shape=(self.seq_len,), name='aux_input')

这样它们现在可以顺利连接，但对我来说仍然不清楚为什么？

回答：

对于第二个输入，你在错误发生之前指定了，

input_shape = (50,1)# seq_length=50

这意味着最终形状为：

(None,50,1)

现在，当第一个输入通过LSTM时，由于你没有指定return_sequences=True，它将返回形状为(batch_size, units)的张量，即(None, 50)，你正在将其与上面提到的(None, 50, 1)进行连接

你的错误消失了，因为你将第二个输入的形状更改为(50,)，所以最终形状变为(None,50)，这与LSTM的输出匹配，因此它可以顺利连接