我正在尝试复制神经网络。神经网络的体系结构是LSTM Model。 第一输入是作为大小为2 ^ 18的二进制向量的散列词，该散列词使用嵌入层嵌入可训练的500维分布式表示中。

字数与每个批处理元素不同。在词被嵌入并应用了辍学之后，我需要与特征向量连接，特征向量每个词具有24个特征。

问题在于，嵌入后的第一个输入具有不同维的特征向量。嵌入词的维数为（None，None，18，500），特征vetors的维数为（None，None，24）。第一个None元素是批处理大小，第二个None是每个批处理元素的字数。

如何将嵌入词与特征向量连接起来？

下面是我的代码：

        inputs = Input(shape=(None,18,),dtype=np.int16,name="Inp1")
        embbed_input = Embedding(input_dim=1,output_dim=500,input_length=18)
        aux = embbed_input(inputs)
        aux = Dropout(rate=self.dropout_rate)(aux)
        inputs_feat = Input(shape=(None,24,dtype=np.float32,name="Inp2")
        aux = concatenate([aux,inputs_feat],axis=2) #ValueError here 
        aux = Dense(units=600,activation="relu")(aux)
        aux = Dense(units=600,activation="relu")(aux)
        aux = Bidirectional(LSTM(units=400,return_sequences=True))(aux)
        aux = Dropout(rate=self.dropout_rate)(aux)
        aux = Dense(units=600,activation="relu")(aux)
        aux = Dense(units=29,activation="sigmoid")(aux)


        ValueError: A 'concatenate' layer require inputs with matching shapes except for the concat axis. Got inputs shapes: [(None,None,500),(None,24)]