如何理解 timedistributed包装器

[boozyguo]

在文档中关于TimeDistributed包装器，描述如下：

keras.layers.wrappers.TimeDistributed(layer) 该包装器可以把一个层应用到输入的每一个时间步上 参数 layer：Keras层对象 输入至少为3D张量，下标为1的维度将被认为是时间维 例如，考虑一个含有32个样本的batch，每个样本都是10个向量组成的序列，每个向量长为16，则其输入维度为(32,10,16)，其不包含batch大小的input_shape为(10,16) 我们可以使用包装器TimeDistributed包装Dense，以产生针对各个时间步信号的独立全连接：

as the first layer in a model

model = Sequential() model.add(TimeDistributed(Dense(8), input_shape=(10, 16)))

now model.output_shape == (None, 10, 8)

subsequent layers: no need for input_shape

model.add(TimeDistributed(Dense(32)))

now model.output_shape == (None, 10, 32)

程序的输出数据shape为(32,10,8)

具体问题是： “把一个层应用到输入的每一个时间步上”改怎么理解？ 比如dense层，本来就是应用的全部输入上，那么和应用到输入的每个时间步上是什么区别？ “针对各个时间步信号的独立全连接”这里的“独立全连接”是什么意思？ 例子中 model.add(TimeDistributed(Dense(8), input_shape=(10, 16)))

now model.output_shape == (None, 10, 8)

这个每次输入是长度16的1个向量，输出是长度8的1个向量？这个是否正确？

谢谢！

[MoyanZitto]

@boozyguo 如果将时序信号看作是2D矩阵，则TimeDistributed包装后的Dense就是分别对矩阵的每一行进行全连接。 我对时序信号了解不多，理解或许有误，如有错误还请指正。

[Lamyaaa]

@boozyguo 这个每次输入是长度16的1个向量，输出是长度8的1个向量？这个是否正确？

谢谢！的确是这样的，每次输入长16的向量，分10次输入到同一个网络

[fuyangzhen]

一个详细参考