keras.layers.RNN输入形状3D张量与形状（batch_size，timesteps，input_dim） . return_state的输出形状：张量列表 . 第一个张量是输出 . 其余的张量是最后的状态，每个状态都有形状（batch_size，units） . if return_sequences：具有形状的3D张量（batch_size，timesteps，units） . 否则，2D张量与形状（batch_size，units） .

我对时间步的概念感到困惑 .

我对如何处理三轴输入的过程感到困惑 .

简化代码

import keras
from keras.applications.inception_resnet_v2 import InceptionResNetV2
from keras.applications.mobilenet import MobileNet
from keras.applications.vgg19 import VGG19
from keras.applications.densenet import DenseNet
from keras.preprocessing import image
from keras.engine import Layer
from keras.applications.inception_resnet_v2 import preprocess_input
from keras.layers import Conv2D, UpSampling2D, InputLayer, Conv2DTranspose, Input, Reshape, merge, concatenate
from keras.layers import Activation, Dense, Dropout, Flatten
from keras.layers.normalization import BatchNormalization
from keras.callbacks import TensorBoard 
from keras.models import Sequential, Model
from keras.layers.core import RepeatVector, Permute
from keras.preprocessing.image import ImageDataGenerator, array_to_img, img_to_array, load_img
from skimage.color import rgb2lab, lab2rgb, rgb2gray, gray2rgb
from skimage.transform import resize
from skimage.io import imsave
import numpy as np
import os
import random
import tensorflow as tf
import keras.backend as K
from keras.layers.recurrent import GRU
from keras.layers.merge import add

encoder_input = Input(shape=(32, 32, 1))

rnn_size = 16
encoder_output = Conv2D(16, (3,3), activation='relu', padding='same')(encoder_input)
sequence_output = Reshape(target_shape=(32, 512))(encoder_output)  
gru_1 = GRU(rnn_size, return_sequences=False,kernel_initializer='he_normal', name='gru1')(sequence_output)
gru_1b = GRU(rnn_size, return_sequences=True, go_backwards=True, kernel_initializer='he_normal', name='gru1_b')(sequence_output)
gru1_merged = add([gru_1, gru_1b])
gru_2 = GRU(rnn_size, return_sequences=True,kernel_initializer='he_normal', name='gru2')(gru1_merged)
gru_2b = GRU(rnn_size, return_sequences=True, go_backwards=True, kernel_initializer='he_normal', name='gru2_b')(gru1_merged)
sequence_output = concatenate([gru_2, gru_2b])
sequence_output = K.expand_dims(sequence_output, 3)
fusion_output = concatenate([encoder_output,sequence_output ], axis=3) 

model = Model(inputs=encoder_input, outputs=fusion_output)
model.summary()

输出错误

ValueError：Concatenate层要求输入具有匹配的形状，但concat轴除外 . 得到输入形状：[（无，32,32,16），（无，无，32,1）]

我认为'sequence_output'的形状将是（None，32,32,1） . 但它是（None，None，32,1） . 我不知道出了什么问题所以我开始怀疑我对RNN的理解 .

我做了什么

1.输出gru1和gru_1b

注释后：

'#sequence_output = K.expand_dims（sequence_output，3）'

'#fusion_output = concatenate([encoder_output,sequence_output ], axis=3)'然后我得到了（）

我对gru1和gru_1b的形状感到很困惑 . 为什么他们不同？

2.我设置了return_sequences和return_state为True然后得到了

valueerror：

实际上我不知道下一步该做什么 .