我正在尝试使用Keras，我正在尝试创建常规神经网络和LSTM神经网络，每个网络都有一个输入层（2000个输入），一个隐藏层（256个节点）和一个输出层（1个节点）。试图遵循Keras documentation中的指南，我就是这样做的：
常规神经网络：
model = Sequential()
model.add(Dense(2000, input_shape = (2000,), activation = 'sigmoid'))
model.add(Dense(256, activation = 'sigmoid'))
model.add(Dense(1, activation = 'sigmoid'))
长期短暂记忆：
model = Sequential()
model.add(Embedding(2000, 256))
model.add(LSTM(256, activation = 'tanh', dropout = 0.2, recurrent_dropout = 0.2))
model.add(Dense(1, activation = 'sigmoid'))
如您所见，对于LSTM网络，我使用了嵌入层作为输入层。这有可能避免吗？我不太明白为什么人们想要使用Read the Keras文档中的嵌入层，但这是我能让LSTM网络正常工作的唯一方法..
然而，即使在评估中使用完全相同的数据，这两种网络模型的最终测试精度也有很大差异。例如，LSTM提供约60％的准确度，而常规网提供约90％。
这是由于使用了不同类型的图层，我可以使用密集图层作为输入图层，即使我接下来有LSTM图层吗？
目前，当我尝试在LSTM层之前使用密集层时，我收到错误：
ValueError：输入0与图层lstm_1不兼容：预期ndim = 3，找到ndim = 2
这就是我的尝试：
model = Sequential()
model.add(Dense(2000, input_shape = (2000,), activation = 'sigmoid'))
model.add(LSTM(256, activation = 'tanh', dropout = 0.2, recurrent_dropout = 0.2))
model.add(Dense(1, activation = 'sigmoid'))
我真正想要实现的是一个非常简单的常规神经网络（非循环）模型，以及一个纯LSTM神经网络模型。一个输入层，一个隐藏层和一个输出层。两个模型都应具有相同数量的节点。
答案 0 :(得分：1)
我碰巧处于相同的情况，我已经有张量，并且不想在LSTM之前使用嵌入层。我使用了@Daniel Moller的建议并使用了reshape图层。以下是我的工作模型的样子：
from keras.layers import LSTM, Dense
from keras.models import Sequential
model_ls = Sequential()
model_ls.add(Reshape((3,2500), input_shape = (50,50,3) ))
#LSTM requires three dimensions (batch, time_series info, samples)
model_ls.add(LSTM(128, return_sequences=True))
model_ls.add(LSTM(64))
model_ls.add(Dense(40, activation="relu", name="feat_x"))
model_ls.add(Dense(1, activation="tanh"))
model_ls.compile(optimizer="adadelta",loss= "binary_crossentropy", metrics=["acc"])
model_ls.summary()
以下是输出的结果：
Train on 201433 samples, validate on 67145 samples
Epoch 1/15
- 23s - loss: 0.0252 - acc: 0.9981 - val_loss: 0.0260 - val_acc: 0.9980
Epoch 2/15
- 23s - loss: 0.0252 - acc: 0.9981 - val_loss: 0.0260 - val_acc: 0.9980
........
Epoch 15/15
- 23s - loss: 0.0250 - acc: 0.9981 - val_loss: 0.0257 - val_acc: 0.9980