如何将输入(5,3)的tf.keras模型分块应用于(10,3)大输入？

我有一个输入形状为(5,3)、输出形状为(5,1)的tf.keras模型，现在需要把它应用到形状为(10,3)的输入数据上——具体是对连续5行的块分别应用该模型，最终得到(10,1)的输出，请问有没有可行的实现方法？

我尝试用Reshape层封装原模型，代码如下：

original_model = tf.keras.Sequential([
    tf.keras.layers.Input((5, 3), name='inputs'),
    tf.keras.layers.Conv1D(8, kernel_size=1, padding='valid'),
    tf.keras.layers.Dense(units=1)
])


l1 = tf.keras.layers.Input((10, 3), name='inputs2')
l2 = tf.keras.layers.Reshape((2, 5, 3))(l1)
l3 = original_model(l2)
l4 = tf.keras.layers.Reshape((10, 1), input_shape=(2, 5, 1))(l3)

new_model = tf.keras.Model(
            inputs=l1,
            outputs=l4)

但该方法引入了额外维度，导致报错：

ValueError: 调用层"model_4"（类型Functional）时遇到异常。
层"sequential_9"的输入0与该层不兼容：预期形状=(None, 5, 3)，找到形状=(None, 2, 5, 3)

解决方案 #

问题核心是分块后的输入多了一个维度，原模型仅接受(None,5,3)的输入，无法直接处理(None,2,5,3)的分块结构。以下是两种可行的解决方法：

方法1：用TimeDistributed层包装原模型

TimeDistributed层可以自动遍历额外的分块维度，将原模型应用到每个分块上：

original_model = tf.keras.Sequential([
    tf.keras.layers.Input((5, 3), name='inputs'),
    tf.keras.layers.Conv1D(8, kernel_size=1, padding='valid'),
    tf.keras.layers.Dense(units=1)
])

l1 = tf.keras.layers.Input((10, 3), name='inputs2')
# 将输入重塑为(2,5,3)的分块结构
l2 = tf.keras.layers.Reshape((2, 5, 3))(l1)
# 用TimeDistributed包装原模型，处理每个分块
l3 = tf.keras.layers.TimeDistributed(original_model)(l2)
# 展平为(10,1)的目标输出形状
l4 = tf.keras.layers.Reshape((10, 1))(l3)

new_model = tf.keras.Model(inputs=l1, outputs=l4)

# 测试验证
test_input = tf.random.normal((1,10,3))
test_output = new_model(test_input)
print(test_output.shape)  # 输出(1,10,1)，符合预期

方法2：滑动窗口分块（支持重叠场景）

如果需要处理重叠分块的场景（比如步长为1），可以用tf.signal.frame生成滑动窗口，再应用原模型：

import tensorflow as tf

original_model = tf.keras.Sequential([
    tf.keras.layers.Input((5, 3), name='inputs'),
    tf.keras.layers.Conv1D(8, kernel_size=1, padding='valid'),
    tf.keras.layers.Dense(units=1)
])

# 自定义层实现滑动窗口分块与模型应用
def sliding_window_layer(inputs, window_size=5, stride=5):
    # 生成滑动窗口，形状变为(None, 分块数, window_size, 3)
    frames = tf.signal.frame(inputs, frame_length=window_size, frame_step=stride, axis=1)
    # 对每个窗口应用原模型
    outputs = original_model(frames)
    # 重塑为目标输出形状
    return tf.reshape(outputs, (-1, tf.shape(inputs)[1], 1))

l1 = tf.keras.layers.Input((10, 3), name='inputs2')
l2 = sliding_window_layer(l1, window_size=5, stride=5)
new_model = tf.keras.Model(inputs=l1, outputs=l2)

# 测试验证
test_input = tf.random.normal((1,10,3))
test_output = new_model(test_input)
print(test_output.shape)  # 输出(1,10,1)，符合预期

内容的提问来源于stack exchange，提问作者DAF