input_t = input_t.squeeze(1) 这行代码用于从 input_t 中去除尺寸为1的维度。在深度学习中，经常会出现具有额外尺寸为1的维度，这些维度通常是为了匹配模型的期望输入维度而添加的。

在这里，input_t可能具有形状 (batch_size, 1, feature_dim)，其中 1 表示时间步维度。在某些情况下，模型可能要求输入不包含时间步维度，而只包含 (batch_size, feature_dim) 的形状。为了适应模型的输入要求，squeeze(1) 被用来删除时间步维度，将 input_t 转换为 (batch_size, feature_dim) 的形状。

输入 (354, 32, 541, 1)
keras.layers.InputLayer(input_shape=(None, N, channels)),
TimeDistributed(Conv1D(18, 5, strides=3, activation=“relu”)), (354, 32, 179, 18) 108
TimeDistributed(Conv1D(20, 5, strides=2, activation=“relu”)), (354, 32, 88, 20) 1820
TimeDistributed(MaxPool1D()) (354, 32, 44, 20) 0
TimeDistributed(Conv1D(22, 5, activation=“relu”)) (354, 32, 40, 22) 2222
TimeDistributed(MaxPool1D()) (354, 32, 20, 22) 0
TimeDistributed(Conv1D(24, 5, activation=“relu”)) (354, 32, 16, 24) 2664
TimeDistributed(Flatten()) (354, 32, 384) 0
卷积层本质上是对一条数据进行各种特征变换（channel），最后经过Flatten降维，从二维的空间变回序列数据，交给RNN处理
TimeDistributed(Dense(32, activation=“relu”) (354, 32, 32) 12320
SimpleRNN(19, return_sequences=True) (354, 32, 19) 988
TimeDistributed(Dense(1)) (354, 32, 1) 20

为什么输入一定是四维的，后面都是四维，why？
这里我把T和channel弄混了，平常所说的Conv1d这种是没有T这个维度的，但是有channel这个维度。即，原本的Conv1d是三维的，现在加上时间T这个维度，一共四维

TimeDistributed输入至少为 3D（bs, time, feature），其中index = 1应该是时间所表示的维度

所以解释了，这里的None指的是T维度，因为input_shape是不包含batch维度的


对于RNN：如果 return_sequences：返回 3D 张量， 尺寸为 (batch_size, timesteps, units)。
否则，返回尺寸为 (batch_size, units) 的 2D 张量

Conv1D的输入输出，pytorch和tf有何区别，维度分别是多少？
卷积是没有时间维度的！即seq_len(T)维度（纵向的），这里的L准确来说是input_size（横向的）
Pytorch Conv1d：
Input:($N,C_{in},L)$ L是指sequence length, C指channel数量
Output:$(N,C_{out},L_{out})$
like Conv2d：
Input: $(N,C_{in},H,W)$
Onput: $(N,C_{out},H_{out},W_{out})$

TensorFlow：
Conv1d：(batch_size, seq_len, channels) 受data_format = “channels_last (默认) / first” 参数控制
tf的设计理念是，除了第一个inputlayer，其他层都不需要给出输入的维度，模型会自动算出。且input layer给出的维度是不包含 batch 轴的。
首先在写模型的时候，keras.layers.Conv1D(filters, kernel_size）第一个参数就是outchannel，tf中是缺省了输入维度的，会自动匹配。其中filters的数量你可以想象成你想提取多少个“特征”

RNN和RNNCELL输入
在PyTorch中可以使用下面两种方式去调用，分别是torch.nn.RNNCell()和torch.nn.RNN()，这两种方式的区别在于RNNCell()只能接受序列中单步的输入，且必须传入隐藏状态，而RNN()可以接受一个序列的输入，默认会传入全0的隐藏状态，也可以自己申明隐藏状态传入。
如果用RNNCell()就相当于要必须在外面加个for循环，进行seq_len次forward，显式地将hidden传入给下一次forward。

batch的理解：
大多数情况可以直接忽略batch，因为他就是数据处理的一种并行化方式。但需要知道几个基础知识，比如模型参数是共享的，但是hidden state [bs, hidden state]，这种有bs的肯定不是共享的，hidden state就是记录状态用的。

总结：
RNN关心序列维度，缺省为单通道RNN，[bs, seq_len, input_size, 1]—>[bs,seq_len,input_size]
所以在把数据给RNN之前，都要把数据处理成上述样子。
CNN才关心Channel，而不关心seq_len，所以是[bs, channel, …]
最大的问题在于忽略了Channel这一维度，其实称之为特征维度：无论是1d，2d，3d都是在描述数据的多少，比如一个序列长度为12，比如一个图片的像素点有12 * 12个。
但是如果一个序列被三个传感器x，y，z检测记录，合起来组成这一个数据点，那么描述这一个数据点需要三个“特征”，channel = 3；同样，对于每个像素点的特征数量是3，所以channel = 3.

无论batchsize还是seq_len都是用来方便处理数据的，要区分于数据本身的特征：特征维度，共有多少个特征，每个特征几维

为什么需要TimeDistributed？
首先对于卷积操作来说维度是固定的，就像函数传参一样，不是任意长度的。