我试图将可变大小的序列输入到LSTM中。因此，我使用了一个生成器和批次大小为1。
我有一个(sequence_length,)的输入张量，它被嵌入，并输出一个(batch_size, sequence_length, embeding_dimension)的张量。
与此同时，我还有另一组输入数据，大小为(sequence_length, features)，即(None, 10)，我想将其重塑为(batch_size, sequence_length, features)，即(None, None, 10)。

我尝试使用Keras的Reshape层，目标形状为(-1, 10)，这应该等同于将(None, 10)展开为(None, None, 10)，但我得到的是一个(None, 1, 10)的张量，这使得无法将此张量与嵌入的数据进行连接，以便输入到LSTM中。
我的代码如下：

cluster = Input(shape=(None,))embeded = Embedding(115, 25, input_length = None)(cluster)features = Input(shape=(10,)) #variablereshape = Reshape(target_shape=(-1, 10))(features)merged = Concatenate(axis=-1)([embeded, reshape])[...]model.fit_generator(generator(), steps_per_epoch=1, epochs=5)

输出如下：

[...]ValueError: A `Concatenate` layer requires inputs with matching shapes except for the concat axis. Got inputs shapes: [(None, None, 25), (None, 1, 10)]

如何在Keras中将(None, 10)重塑为(None, None, 10)的张量？

回答：

在Keras中这样做不会比在NumPy中进行重塑有任何优势。你可以这样做：

# 在传入Keras之前进行重塑features = Input(shape=(None, 10))

在你拥有实际的batch_size和sequence_length时，在传入Keras之前进行重塑。