我正在尝试实现一个神经网络，该网络在一个轴上输入音符/音高，在另一个轴上输入该音符的八度音阶。
输入应该通过卷积层（Conv2DLayer）。卷积之后，输出应该通过 LSTM 层。
输入 -> 卷积和池化层 -> LSTM 层 -> 输出
问题是 LSTM 层和卷积层具有特定的输入形状
Conv2DLayer 预期输入形状：(batch_size, num_channels, rows, columns) LSTMLayer 预期输入形状：(batch_size, sequence_len, num_inputs)
如何获取形状（batch_size、sequence_len、num_channels、行、列）或类似的输入并构建这样的网络？如果我通过删除 sequence_len 来重塑和展平形状，那么行或列都必须改变，并且形状将被扭曲。