keras框架中repeatvector layer和Timedistributed layer的通俗理解！！

2023 10.24补充：Timedistributed layer作用最后一维

前言：

看一篇论文，里面作者用keras框架做的模型，其中repeatvector layer和Timedistributed layer 不是太理解有什么意义，于是乎对其展开研究，以下是我的研究结果，很高兴分享给大家。若有错误，请在评论区指出，我会即使与你讨论相关问题。

结论：

repeatvector layer：扩张时间步的感受野，最终目的：使模型能处理一对多，多对一的问题。

Timedistributed layer:降低特征维度，最终目的：使得模型输出的特征维度与输入一致。

正文：

如上图所示，给出一个（50，1，10）的数据。50个样本做一个batch，喂给模型。time_step指的是时间步的感受野，通俗一点，（50，1，10），中间是1就代表着lookback=1，（50，3，10）3就代表着lookback=3，就用过去的1步或3步数据用作训练，如下图，就是 [batch_size, time_step, input_size]=[30,5,7]的情况。

Tip：下面这张图引用的是‘Dianchen_Raw’博主的‘DeepLearning之LSTM模型输入参数：time_step, input_size, batch_size的理解’文章。

好，你们现在应该都比较清晰各参数的意思了，那接着我的图说，我将（50，1，10）的一堆数据丢到LSTM_1层里（这个层的神经元为150），意味着（1，10）的数据经过LSTM_1后会有150个值输出，即output（50，1，150），然后经过repeatvector（5）,这层干啥的呢，实际上这层起到的作用是拓宽时间步的感受野即输出为（50，5，150），有的同学又忘了中间那个5什么意思，意思就是（1，150）的数据被他重复复制滑动窗口了五次，此时数据就变成了5个样本，每个样本150个特征的输入，即（5，150）。

好，然后经过LSTM_2层，不再赘述，还是（50，5，150），然后经过TIme distribute（10），

TIme distribute（10）干嘛的呢，就降低特征维度，本来每个样本有150个特征，那么经过这一layer，变成（50，5，10）。那我们再总的来看一下数据结构，是不是从（50，1，10）变成最后的（50，5，10）了？

对于我举的例子，这两个层的意义也就在此，用过去一步预测未来5步。