LSTM回归的Keras注意层问题

如何解决LSTM回归的Keras注意层问题

我正在将keras LSTM用于回归模型。我想对原始输入内容使用一种注意力机制，如本paper所述。

本文介绍了如何构建自定义的Attention层，该层在提供给LSTM之前为原始输入赋予权重。我想利用新的keras Attention层。在研究了如何实现这一点之后，我想到了以下模型：

sequence_input = layers.Input(shape=(time_steps,features),dtype='float32')
lstm,state_h,state_c = layers.LSTM(units=50,dropout=0.1,activation='tanh',return_state=True,kernel_regularizer=1e-6,recurrent_regularizer=1e-4,bias_regularizer=1e-6,return_sequences=True)(sequence_input)
context_vector,attention_weights = layers.Attention()([lstm,state_h])
output = Dense(units=1)(context_vector)
model = tf.keras.Model(inputs=sequence_input,outputs=output)

上面的模型在编译TypeError层时给出了下面的Attention：

TypeError: Cannot iterate over a tensor with unknown first dimension.

这是因为sequence_input，lstm和state_h的第一维是None。我是Attention层的新手，我很确定自己缺少一些东西。 keras documentation仅具有一个示例，其中Embedding层紧随Input层，对于每个样本均为float的预测回归模型，我不需要这样做。>

PS：注意层之后可能还有其他问题。我尚未能够首先解决该问题。不声称此实现是正确的。

更新

一个问题是我正在将2D张量传递给Attention（）。隐藏状态具有形状（无，50）。 LSTM不应为每个功能都具有隐藏状态，即（None，50，10）?，在this question之后，似乎应该将隐藏状态作为值传递。所以我不确定为什么尺寸不正确。