Keras 中 TimeDistributed 层的作用是什么？答案

【问题标题】：What is the role of TimeDistributed layer in Keras?Keras 中 TimeDistributed 层的作用是什么？
【发布时间】：2018-04-28 13:44:20
【问题描述】：

我正在尝试了解 TimeDistributed 包装器在 Keras 中的作用。

我知道 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，我的输出形状都是 (None, 10, 1)。

谁能解释下一个 RNN 层之后 TimeDistributed 和 Dense 层之间的区别？

【问题讨论】：

目前ssem没有区别，here有讨论。我认为最初的意图是区分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
@gionni 不，它具有相同数量的参数（均为 6 个）。所以atm几乎没有区别？
是的，如果存在差异，这些参数就是它们的数量。暂时没有

标签： python machine-learning keras neural-network deep-learning

【解决方案1】：

在keras 中——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 keras 从 2.0 版开始，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，您将获得输出形状 (n, m, o, 10)) 所以在你的情况下 Dense 和 TimeDistributed(Dense) 是等价的。

【讨论】：

有一个使用 TimeDistributed 包装模型本身的示例。当这应用于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，这有什么不同吗？