我在尝试在顺序模型中使用一个新层，然而，这个层需要一些额外的输入。当模型不是顺序模型时，模型看起来是这样的：

X_in = Input(shape=(X.shape[1],))    H = Dropout(0.5)(X_in)H = GraphConvolution(16, support, activation='relu', kernel_regularizer=l2(5e-4))([H]+[G])H = Dropout(0.5)(H)Y = GraphConvolution(y.shape[1], support, activation='softmax')([H]+[G])model = Model(inputs=[X_in]+[G], outputs=Y)model.compile(loss='categorical_crossentropy', optimizer=Adam(lr=0.01))

我尝试使用如下方式的sequential()函数，但不知道如何以这种方式添加层。

model2 = Sequential()batch_size = 5model2.add(Dropout(0.5, input_shape=(X.shape[0], X.shape[1])))

我也尝试创建输入序列并在不同的时间戳上独立调用GraphConvolution。我尝试了

input_sequences = Input(shape=(X.shape[0], X.shape[1]))

还有

input_sequences = Input(shape=(batch_size, X.shape[0], X.shape[1]),batch_shape=(None, None, None))

但我真的不知道如何独立处理输入序列的每个输入。因为input_sequences.shape[0] = None

这个问题非常直接，我多次遇到相同的问题。非常感谢您的帮助，欢迎任何回答。

~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~

我得到了一些解决方案，但不是那么直接。我在Input函数中使用了batch_shape：

with tf.name_scope('input_sequence'):    input_sequences = Input(batch_shape=(X.shape[0], timestamps, X.shape[1]))    gcn_output = []    for i in range(timestamps):        gcn_output.append(tf.expand_dims(model([input_sequences[:,i,:]]+[G]),1))    gcn_output_tensor = tf.concat(        gcn_output,        axis=1,        name='concat'    )

回答：

使用 input_sequences = Input(batch_shape=(X.shape[0], timestamps, X.shape[1]))