我目前正在使用Keras进行LSTM的研究，并对TimeDistributed层有一个问题。

假设我有一个TimeDistributed层，它的输入是类似(batch_size,timesteps,num_features1)的形式。它的输出将是类似(batch_size,timesteps,num_features2)的形式。

但我希望输出的是类似(batch_size,num_features2)的形式。这是可能的吗？

我的想法是将一个设置了return_sequence = True的LSTM层与一个使用TimeDistributed层的密集层堆叠，然后再回到接受类似(batch_size,nb_features)输入的“经典”密集层。

提前感谢！

@隐藏人名

回答：

我不确定是否完全理解您的需求，所以我在这里提供了一个我认为您想要的网络结构。如果不是，请编辑您的问题，并提供您想要的网络草图以及每个步骤的形状。这样也更容易了解您希望通过这个网络实现什么目标。

model = sequential()# shape = (None,timesteps, num_feat1)model.add(TimeDistributed(Dense(num_feat2)))# shape = (None,timesteps, num_feat2)model.add(LSTM(1, return_sequences=True))# shape = (None, timesteps, 1)model.add(Flatten())# shape = (None, timesteps)model.add(Dense(num_outputs_desired))# shape = (None, outputs)

这是您想要的吗？这个网络结构（1）使用时间分布的密集层在每个时间步上同样地转换初始特征，（2）使用LSTM处理序列，每个步骤返回一个值，（3）使用密集层将值序列转换为所需的输出（我不知道它应该是什么，您的模型目的是什么？）。