Слой декодера модели внимания для всех шагов последовательности

Question

На официальной странице тензорного потока есть один пример декодера (https://www.tensorflow.org/tutorials/text/nmt_with_attention#next_steps):

class Decoder(tf.keras.Model):
  def __init__(self, vocab_size, embedding_dim, dec_units, batch_sz):
    super(Decoder, self).__init__()
    self.batch_sz = batch_sz
    self.dec_units = dec_units
    self.embedding = tf.keras.layers.Embedding(vocab_size, embedding_dim)
    self.gru = tf.keras.layers.GRU(self.dec_units,
                                   return_sequences=True,
                                   return_state=True,
                                   recurrent_initializer='glorot_uniform')
    self.fc = tf.keras.layers.Dense(vocab_size)

    # used for attention
    self.attention = BahdanauAttention(self.dec_units)

  def call(self, x, hidden, enc_output):
    # enc_output shape == (batch_size, max_length, hidden_size)
    context_vector, attention_weights = self.attention(hidden, enc_output)

    # x shape after passing through embedding == (batch_size, 1, embedding_dim)
    x = self.embedding(x)

    # x shape after concatenation == (batch_size, 1, embedding_dim + hidden_size)
    x = tf.concat([tf.expand_dims(context_vector, 1), x], axis=-1)

    # passing the concatenated vector to the GRU
    output, state = self.gru(x)

    # output shape == (batch_size * 1, hidden_size)
    output = tf.reshape(output, (-1, output.shape[2]))

    # output shape == (batch_size, vocab)
    x = self.fc(output)

    return x, state, attention_weights

Вывод здесь имеет форму (batch_size, vocab). Я хотел бы иметь вывод с формой (batch_size, max_length, vocab), где max_length - длина выходной последовательности. Я полагаю, что со слоем TimeDistributed можно что-то сделать, но я попробовал несколько вещей, но ничего не получилось. Есть ли работа вокруг, чтобы получить это?

Одним из способов может быть:

self.attention = layers.TimeDristributed(BahdanauAttention(self.dec_units))

, но, поскольку у BahdanauAttention есть два входа, я не знаю, как это исправить, поскольку слой с распределением по времени не может легко работать с несколькими входами.