Keras中Flatten与GRU层input_shape差异原因解析

我在一本图书的示例中发现，输入形状为(samples=128, timesteps=24, features=13)，当定义两个接收该相同输入的不同网络时，Flatten层与GRU层的input_shape设置存在差异。

模型1（Flatten+全连接）代码：

model = Sequential()
model.add(layers.Flatten(input_shape=(24, 13)))
model.add(layers.Dense(32, activation='relu'))
model.add(layers.Dense(1))

模型2（GRU+全连接）代码：

model = Sequential()
model.add(layers.GRU(32, input_shape=(None, 13)))
model.add(layers.Dense(1))

我理解input_shape代表单个输入的形状（不考虑批量大小），因此认为两种情况下的input_shape都应为(24, 13)，想请教为何这两个模型的input_shape设置不同？

解答 #

这是因为Flatten层和GRU层对输入维度的处理逻辑完全不同：

• Flatten层的特性：它的作用是把多维输入直接展平成一维向量，比如(24,13)会被转换成(312,)。这个转换需要明确知道输入的每个维度的固定数值，否则无法计算展平后的总长度。所以必须指定完整的(24,13)作为input_shape，不能用None替代其中任何一个维度。

• GRU层的特性：作为循环神经网络层，GRU是按时间步依次处理序列数据的，它的权重只和特征维度（这里是13）绑定，和时间步的长度无关。所以它支持处理变长序列——也就是时间步可以是任意值（用None表示）。写input_shape=(None,13)是告诉模型：特征数固定为13，但输入的时间步长度可以灵活变化（比如24、30、48都可以），这样模型的通用性更强。当然你也可以写成(24,13)，但这样模型就只能处理时间步固定为24的输入了。

简单来说，input_shape的设置要匹配层的功能：静态维度转换的层需要固定维度，循环层因为天生支持变长序列，所以允许时间步维度用None来适配更多场景。

内容的提问来源于stack exchange，提问作者imatiasmb