keras LSTM 是否应该在没有 input_shape 参数的情况下工作？答案

【问题标题】：is keras LSTM supposed to work without an input_shape parameter?keras LSTM 是否应该在没有 input_shape 参数的情况下工作？
【发布时间】：2021-10-14 14:02:52
【问题描述】：

我正在使用 LSTM 进行假新闻检测，并在我的模型中添加了嵌入层。

没有在 LSTM 函数中添加任何 input_shape 就可以正常工作，但我认为input_shape 参数是强制性的。有人可以帮我解释为什么即使没有定义input_shape 也没有错误？是不是因为嵌入层隐式定义了input_shape？

以下是代码：

model=Sequential()
embedding_layer = Embedding(total_words, embedding_dim, weights=[embedding_matrix], input_length=max_length)
model.add(embedding_layer)
model.add(LSTM(64,))
model.add(Dense(1,activation='sigmoid'))
opt = SGD(learning_rate=0.01,decay=1e-6)
model.compile(loss = "binary_crossentropy", optimizer = opt,metrics=['accuracy'])
model.fit(data,train['label'], epochs=30, verbose=1)

【问题讨论】：

标签： python tensorflow keras deep-learning lstm

【解决方案1】：

您只需向Embedding 层提供input_length。此外，如果您使用sequential 模型，则不需要提供输入层。避免输入层本质上意味着您的模型权重仅在您传递真实数据时创建，就像您在model.fit(*) 中所做的那样。如果您想在提供真实数据之前查看模型的权重，则必须在 Embedding 层之前定义一个输入层，如下所示：

embedding_input = tf.keras.layers.Input(shape=(max_length,))

是的，正如您所提到的，当您提供真实数据时，您的模型会隐式推断 input_shape。您的LSTM 层不需要input_shape，因为它也是根据您的Embedding 层的输出派生的。如果LSTM 层是模型的第一层，那么为了清楚起见，最好指定input_shape。例如：

model = tf.keras.Sequential()
model.add(tf.keras.layers.LSTM(32, input_shape=(10, 5)))
model.add(tf.keras.layers.Dense(1))

其中 10 表示时间步数，5 表示特征数。在您的示例中，您对LSTM 层的输入具有shape(max_length, embedding_dim)。同样在这里，如果您不指定input_shape，您的模型将根据您的输入数据推断形状。欲了解更多信息，请查看 Keras documentation。

【讨论】：

我在这里有点困惑首先你提到如果避免输入层，那么只有当你传递真实数据时才会创建权重。您说模型在提供真实数据时隐式推断 input_shape，但您还说如果 LSTM 层是我模型中的第一层，那么我需要指定 input_shape。你能澄清一下吗..
抱歉给您带来了困惑，更新了我的答案。
现在清楚了！