input1 = Input(shape=(trainX1.shape[1], trainX1.shape[2],)) timesteps1 = trainX1.shape[1] features1 = trainX1.shape[2] # 定义输入层 input_seq1 = Input(shape=(None, timesteps1)) # 时序输入 input_vec1 = Input(shape=(features1,)) # 维度输入 # 定义LSTM层 lstm_output1 = LSTM(units=21, return_sequences=True)(input_seq1) # 返回每个时刻的输出 # 定义attention层 score1 = Dot(axes=[2, 1])([lstm_output1, input_vec1]) # 计算注意力分数 attention_weights1 = Dense(units=1, activation='softmax')(score1) # 计算注意力权重 context_vector1 = Dot(axes=[1, 1])([lstm_output1, attention_weights1]) # 计算上下文向量 # 定义输出层 output1 = concatenate([context_vector1, input_vec1]) output1 = Dense(units=32, activation='relu')(output1) output1 = Dense(units=1, activation='sigmoid')(output1) 出错 如下： File "C:\Users\200511672\Anaconda3\lib\site-packages\keras\initializers.py", line 209, in __call__ scale /= max(1., float(fan_in + fan_out) / 2) TypeError: unsupported operand type(s) for +: 'NoneType' and 'int'

这个错误通常是由于输入形状中的未知维度引起的。在你的代码中，`input_seq1`的第二个维度是`None`，这意味着它可以接受不同长度的序列。但是，在定义LSTM层时，你需要指定时间步长和特征维度。因此，你需要在定义LSTM层时指定时间步长和特征维度。你可以尝试以下修改：

input_seq1 = Input(shape=(timesteps1, features1))  # 时序输入

然后，确保你的训练数据`trainX1`的形状是`(样本数, 时间步长, 特征维度)`。如果`trainX1`的时间步长是可变的，则需要对序列进行填充以使其具有相同的长度。你可以使用Keras的`pad_sequences()`函数来实现填充。