我尝试在keras中建立一个模型，该模型既提供序列又提供序列。我之前建立了几个模型，但是它们都没有动态输入长度和输出长度。它用于识别声音（汽车，鸟，声音）。我的问题是，我不知道如何构建具有动态输入长度和动态输出长度的keras模型。 输入长度和输出长度不应该相关，顺序很重要！
为了更好地理解这一点，我有一个非常基本的示例
x_train 是wav文件的频谱图（动态长度！）示例，具有28个样本的频率分辨率：
Dataset A: (300,28) --> 300 samples spectrogram of voice, bird and car at the end
Dataset B: (200,28) --> 200 samples spectrogram of a car in beginning and at the end
Dataset C: (333,28) --> 333 samples spectrogram of a car in the first seconds and some voice after the car
y_train 是一系列热编码的标签。每个标签都是汽车，声音或鸟。如果频谱图在最初的2秒钟内有一辆汽车，在最后几秒钟内有声音，则标签的输出也应以相同的顺序排列。示例：
Dataset A: [[0,0,1],[0,1,0],[1,0,0]] = Recognized in order: Voice, Bird, Car
Dataset B: [[1,0,0],[1,0,0]] = Recognized in order: Car, Car
Dataset C: [[1,0,0],[0,0,1]] = Recognized in order: Car, Voice
在一开始，我一直在寻找类似的例子。我只发现了具有固定序列长度或没有动态输出列表的示例。然后我发现DeepSpeech by Mozilla (Githublink)，它基本上是用于语音识别的Tensorflow模型。它正在与频谱图的时间嵌入CNN和六个隐藏层协同工作。最后，它能够检测单词。详细信息：DeepSpeech research paper
问题是，它是用Tensorflow（我只知道keras）编写的，即使是用源代码编写的，我也无法理解如何吐出除输入序列长度以外的其他序列长度。
我当前的模型如下：
model = Sequential()
model.add(LSTM(200, return_sequences=True, input_shape=(None,28)))
model.add(LSTM(3, return_sequences=True))
如您所见，它只有两个LSTM。第一个单元格的input_shape =（None，28）表示输入的全部动态长度。问题是，如果我输入（300,28），则输出形状会自动（300,3）。但是y_train_label例如（3,3）。意味着我得到以下错误：
InvalidArgumentError: Incompatible shapes: [1,3,3] vs. [1,300,3]
[[{{node loss_10/lstm_29_loss/mul}} = Mul[T=DT_FLOAT, _class=["loc:@training_10/Adam/gradients/loss_10/lstm_29_loss/mul_grad/Reshape_1"], _device="/job:localhost/replica:0/task:0/device:GPU:0"](_arg_lstm_29_target_0_1/_741, loss_10/lstm_29_loss/Log)]]
[[{{node loss_10/mul/_765}} = _Recv[client_terminated=false, recv_device="/job:localhost/replica:0/task:0/device:CPU:0", send_device="/job:localhost/replica:0/task:0/device:GPU:0", send_device_incarnation=1, tensor_name="edge_3107_loss_10/mul", tensor_type=DT_FLOAT, _device="/job:localhost/replica:0/task:0/device:CPU:0"]()]]
我在做什么错？我做错了吗？