如何在Keras中实现独立Conv2D头输出按时间维度合并后接入LSTM

• Keras中Concatenate层的调用规则为：先实例化层（指定拼接维度），再将待拼接的张量列表作为参数传入实例化后的层，你原代码直接把张量列表传给了Concatenate的构造函数，触发张量类型错误。
• Conv2D输出的是4维张量（样本数, 特征图高, 特征图宽, 通道数），不符合LSTM要求的3维输入格式（样本数, 时间步, 特征数），需要先对卷积输出做维度转换。

import keras
from keras import layers

Matrix_Dimension = 20
Input_Window = 4

Input_Matrixes = []
processed_timestep_features = []

for i in range(Input_Window):
    # 每个时间步的输入矩阵对应独立输入层
    Inp_Matrix = layers.Input(shape=(Matrix_Dimension, Matrix_Dimension, 1))
    Input_Matrixes.append(Inp_Matrix)
    # 每个时间步对应独立Conv2D层，权重不共享，符合需求
    conv = layers.Conv2D(64, 5, activation='relu')(Inp_Matrix)
    # 卷积输出降维为一维特征向量
    pooled = layers.GlobalAveragePooling2D()(conv)
    # 增加时间维度，形状变为 (样本数, 1, 特征数)
    timestep_feat = layers.Reshape((1, -1))(pooled)
    processed_timestep_features.append(timestep_feat)

# 沿时间维度（axis=1）拼接所有时间步特征，得到形状 (样本数, Input_Window, 特征数)
Spatial_Layers_Concate = layers.Concatenate(axis=1)(processed_timestep_features)

# 传入LSTM层，LSTM的隐藏单元数可根据需求调整
LSTM_Layer = layers.LSTM(32, activation='relu', return_sequences=False)(Spatial_Layers_Concate)

# 输出层根据你的预测任务调整，这里示例是单值回归
output = layers.Dense(1)(LSTM_Layer)

Model = keras.Model(Input_Matrixes, output)
Model.compile(optimizer='adam', loss=keras.losses.MeanSquaredError())

• 循环创建独立Conv2D层的逻辑保留，完全实现每个输入矩阵对应独立可训练卷积参数，没有权重共享，无需使用TimeDistributed层。
• 输入数据准备时，需要将滑动窗口的N个矩阵拆分为N个独立数组作为模型输入，和输入层的数量对应。
• 如果需要保留卷积输出的空间信息，也可以将GlobalAveragePooling2D替换为Flatten，调整对应特征维度即可。

内容的提问来源于stack exchange，提问作者Amir Rasti