Keras中如何通过共享权重的LSTM层处理多组输入序列？

实现方案 #

Keras中相同的层实例被多次调用时会自动共享权重，你需要的功能只要对应调整输入结构即可，以下是两种可直接运行的实现方案：

方案1：TimeDistributed包装实现（推荐，代码简洁，支持动态序列数量）

适合序列数量不固定、或者序列数量较大的场景，通过TimeDistributed自动对每组序列应用同一个LSTM层：

# 输入shape调整为(序列组数, 单序列最大长度, 1)
sq_inpt = Input(shape=(self.num_sequences, self.MAX_SEQ_LEN, 1), name='sq_inpt')
embed = Embedding(output_dim=100, input_dim=self.sequence_range + 1, mask_zero=True, name='sequence_embedding')
# 经过Embedding后shape为 (batch_size, 序列组数, MAX_SEQ_LEN, 100)
sq_embed = embed(sq_inpt)

# 仅实例化一次LSTM层，后续全程复用实现权重共享
lstm_layer = LSTM(200, go_backwards=False)
# TimeDistributed会自动对第二维度的每组序列独立应用LSTM层
lstm_embed = TimeDistributed(lstm_layer)(sq_embed)
# 展平所有序列的LSTM输出，用于后续拼接
lstm_embed_flat = Flatten()(lstm_embed)

# 后续逻辑和原模型保持一致
time_inpt = Input(shape=(1,), name='time_inpt')
score_inpt = Input(shape=(1,), name='score_inpt')

state_embed = Concatenate()([lstm_embed_flat, time_inpt, score_inpt])
state_embed = Dense(300, activation='elu', name='state_embed_1')(state_embed)
state_embed = Dense(300, activation='elu', name='state_embed_2')(state_embed)
output = Dense(1, name='output')(state_embed)
model = Model(inputs=[sq_inpt, time_inpt, score_inpt], outputs=output)

方案2：固定序列数量手动循环实现

适合序列数量少且固定的场景，逻辑和你写的示意代码完全匹配：

# 假设固定有3组序列，输入shape为(3, MAX_SEQ_LEN, 1)
sq_inpt = Input(shape=(3, self.MAX_SEQ_LEN, 1), name='sq_inpt')
embed = Embedding(output_dim=100, input_dim=self.sequence_range + 1, mask_zero=True, name='sequence_embedding')
sq_embed = embed(sq_inpt)

lstm_layer = LSTM(200, go_backwards=False)
lstm_embed = []
# 遍历每组序列，复用同一个LSTM层处理
for i in range(3):
    # 取出第i组序列的embedding结果
    single_seq_embed = sq_embed[:, i, :, :]
    lstm_embed.append(lstm_layer(single_seq_embed))
# 拼接所有序列的LSTM输出
lstm_embed_flat = Concatenate()(lstm_embed)

# 后续逻辑和原模型保持一致
time_inpt = Input(shape=(1,), name='time_inpt')
score_inpt = Input(shape=(1,), name='score_inpt')

state_embed = Concatenate()([lstm_embed_flat, time_inpt, score_inpt])
state_embed = Dense(300, activation='elu', name='state_embed_1')(state_embed)
state_embed = Dense(300, activation='elu', name='state_embed_2')(state_embed)
output = Dense(1, name='output')(state_embed)
model = Model(inputs=[sq_inpt, time_inpt, score_inpt], outputs=output)

注意事项 #

• 两种方案都仅实例化了一次LSTM层，所有序列处理复用同一个层实例，天然实现权重共享
• 如果你的单序列长度不统一，把输入里的MAX_SEQ_LEN改为None即可，LSTM本身支持动态长度输入

内容的提问来源于stack exchange，提问作者Ashwin Kumar