我有一个Keras字符级嵌入模型，该模型接受形状为(num_items, 45)的输入并吐出形状为(num_items, 128)的向量。
我目前在输入分类为(num_items, num_terms, 128)的序列分类模型中使用它，但这需要提前准备数据。
我希望能够将模型嵌入到序列分类模型中，以便输入形状为(num_items, num_terms, 45)，并且可以在原始字符模型中运行以输出大小为{{1 }}。
即使角色模型一次只能对一个术语进行分类，在Keras中有没有办法做到这一点？也许带有某种Lambda层？
感谢您可以提供的任何帮助！
答案 0 :(得分：1)
您是否还需要使用递归模型来训练分类器？因为如果没有，您也许可以使用tf.map_fn在lambda层上实现此目标：
inputs = keras.layers.Input(shape=(num_terms, num_items, 45))
processed = keras.layers.Lambda(lambda x: tf.map_fn(classifier, x))(inputs)
请注意，此处会交换num_terms和num_items的顺序，因为tf.map_fn遍历第一个维度。
否则，您也许可以在模型周围编写自定义RNN单元并使用RNN？ （我不确定这样做的效果如何，我还没有尝试过。）