我正在尝试在Keras中创建一个自动编码器。到目前为止，这是我用于 encoder 的代码，该代码基于code2vec架构：

path_source_token_input = Input((MAX_CONTEXTS,2),dtype=tf.int32)
path_input = Input((MAX_CONTEXTS,27),dtype=tf.int32)
path_target_token_input = Input((MAX_CONTEXTS,dtype=tf.int32)

paths_embedded = Embedding(
        MAX_VOCAB_SIZE,DEFAULT_EMBEDDINGS_SIZE,name='path_embedding')(path_input)

token_embedding_shared_layer = Embedding(
        MAX_VOCAB_SIZE,name='token_embedding')
path_source_token_embedded = token_embedding_shared_layer(path_source_token_input)
path_target_token_embedded = token_embedding_shared_layer(path_target_token_input)

context_embedded = concatenate()([path_source_token_embedded,paths_embedded,path_target_token_embedded])

learned = LSTM(100,activation='relu',input_shape=(500,1))(context_embedded)

现在，我的输入也是基于code2vec的源代码表示，但是在某种程度上有所不同。源代码表示为 context_path ，它是通过 path 连接到 target_node 的 source_node 。现在用简单的术语来说， source 和 target_node 都只是两个字的字符串，例如“ 1变量”，“ 37函数”。然后使用keras one_hot编码函数对其进行编码，因此它是长度为2的int数组。现在， source 和 target_node 通过 path 完全相同，但长度为27。现在每个源代码文件都由500个三元组-> context_path s表示。我想为每个三元组创建一个嵌入，然后使用连接层将它们合并为一个向量。我不确定是否应该尝试以其他方式处理我的数据，或者是否有一些聪明的方法来解决此问题。给我的问题是我所描述的，我应该寻找替代方案还是存在一般解决方案，其中连接层的输入尺寸不匹配？