当我通过声明性方法而不是功能性方法定义模型时，Keras将给出不同的结果。这两个模型看起来是等价的，但是使用“ .add（）”语法可以工作，而使用声明性语法会产生错误-每次都是不同的错误，但通常是这样的： A target array with shape (10,1) was passed for an output of shape (None,16) while using as loss `mean_squared_error`. This loss expects targets to have the same shape as the output. 输入形状的自动转换似乎正在发生某些事情，但是我不知道是什么。有人知道我在做什么错吗？为什么这两个模型不完全对等？

import tensorflow as tf
import tensorflow.keras
import numpy as np

x = np.arange(10).reshape((-1,1,1))
y = np.arange(10)

#This model works fine
model = tf.keras.Sequential()
model.add(tf.keras.layers.LSTM(32,input_shape=(1,1),return_sequences = True))
model.add(tf.keras.layers.LSTM(16))
model.add(tf.keras.layers.Dense(1))
model.add(tf.keras.layers.activation('linear'))

#This model fails. But shouldn't this be equivalent to the above?
model2 = tf.keras.Sequential(
{
    tf.keras.layers.LSTM(32,return_sequences = True),tf.keras.layers.LSTM(16),tf.keras.layers.Dense(1),tf.keras.layers.activation('linear')
})

#This works
model.compile(loss='mean_squared_error',optimizer='adagrad')
model.fit(x,y,epochs=1,batch_size=1,verbose=2)

#But this doesn't! Why not? The error is different each time,but usually
#something about the input size being wrong
model2.compile(loss='mean_squared_error',optimizer='adagrad') 
model2.fit(x,verbose=2)

这两个模型为什么不等效？为什么其中一个可以正确处理输入大小，而另一个却不能呢？第二个模型每次都会失败，并会出现不同的错误（有时甚至可以正常工作），所以我认为也许与第一个模型有一些互动？但是我尝试注释掉第一个模型，但这没有帮助。那么第二个为什么不起作用？

更新：这是第一个和第二个模型的“ model.summary（）。它们看起来确实有所不同，但是我不明白为什么。

对于model.summary（）：

Model: "sequential"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
lstm (LSTM)                  (None,32)             4352      
_________________________________________________________________
lstm_1 (LSTM)                (None,16)                3136      
_________________________________________________________________
dense (Dense)                (None,1)                 17        
_________________________________________________________________
activation (activation)      (None,1)                 0         
=================================================================
Total params: 7,505
Trainable params: 7,505
Non-trainable params: 0

对于model2.summary（）：

model: "sequential_1"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
lstm_2 (LSTM)                (None,32)             4352      
_________________________________________________________________
activation_1 (activation)    (None,32)             0         
_________________________________________________________________
lstm_3 (LSTM)                (None,16)                3136      
_________________________________________________________________
dense_1 (Dense)              (None,1)                 17        
=================================================================
Total params: 7,505
Non-trainable params: 0```