本文共 1635 字，大约阅读时间需要 5 分钟。

官方中文文档的说明如下：

输入至少为3D张量，下标为1的维度将被认为是时间维

例如，考虑一个含有32个样本的batch，每个样本都是10个向量组成的序列，每个向量长为16，则其输入维度为(32,10,16)，其不包含batch大小的input_shape为(10,16)

我们可以使用包装器TimeDistributed包装Dense，以产生针对各个时间步信号的独立全连接：

用途举例：

在搭建需要独立连接时的结构时需要用到，比如在faster rcnn中，在最后fast rcnn的结构中进行类别判断和box框的回归时，需要对num_rois个感兴趣区域ROIs进行回归处理，每一个区域的处理是相对独立的，等价于此时的时间步为num_rois，举例代码如下：

def classifier(base_layers, input_rois, num_rois, nb_classes=21, trainable=False):    # compile times on theano tend to be very high, so we use smaller ROI pooling regions to workaround    if K.backend() == 'tensorflow':        pooling_regions = 14        input_shape = (num_rois, 14, 14, 1024)    elif K.backend() == 'theano':        pooling_regions = 7        input_shape = (num_rois, 1024, 7, 7)    out_roi_pool = RoiPoolingConv(pooling_regions, num_rois)([base_layers, input_rois])  # 该层的输入为feature maps和roi的坐标信息    out = classifier_layers(out_roi_pool, input_shape=input_shape, trainable=True)  # 输出的是（None, num_riois, 2048)的feature map    out = TimeDistributed(Flatten())(out)  # 因为是对num_rois个feature maps分别处理的，所以需要使用timedistributed进行包装    out_class = TimeDistributed(Dense(nb_classes, activation='softmax', kernel_initializer='zero'),                                name='dense_class_{}'.format(nb_classes))(out)    # 我们可以使用包装器TimeDistributed包装Dense，以产生针对各个时间步信号的独立全连接    # note: no regression target for bg class    out_regr = TimeDistributed(Dense(4 * (nb_classes - 1), activation='linear', kernel_initializer='zero'),                               name='dense_regress_{}'.format(nb_classes))(out)    return [out_class, out_regr]   # 一共有num_riois个out_class和out_regr

注：个人感觉这个思路和功能与slice layer非常相似

转载地址：https://blog.csdn.net/xiaojiajia007/article/details/76665016 如侵犯您的版权，请留言回复原文章的地址，我们会给您删除此文章，给您带来不便请您谅解！