Javascript 为什么model.fit需要二维张量？为什么model.predict不接受标量张量？

我在学习TensorFlow.js时注意到model.fit必须包含两个参数：输入和输出，以及一些配置。但输入是二维张量，如下所示：

let input=tf.tensor2d（[1,2,3,4,5]，[5,1]）

这看起来非常像一维张量，如下所示：

let input=tf.tensor1d（[1,2,3,4,5]）

因为二维张量实际上是5乘1，我决定用一维张量代替它。然而，这完全停止了程序的工作。那么，是否有某种类型的代码表示输入必须是二维的？如果是，为什么

关于多维张量，我还注意到model.predict不能接受零维张量或标量。见下文

工作代码：
模型预测（tf.tensor1d（[6]））
非工作代码：
模型预测（tf标量（6））

---

如果有人能澄清这些限制背后的原因，那将不胜感激。

二维张量不是一维张量。

tf.tensor2d（[1,2,3,4,5]，[5,1]）

不是

tf.tensor1d（[1,2,3,4,5]）

。一个可以转换为另一个，但这并不意味着它们是相等的

model.fit

将张量或秩2或更多作为参数。这个张量可以看作是一组元素，其形状被赋予模型的输入。模型的

inputShape

是构成

模型的秩1中的最小值。将
参数至少调整为2（1+1始终是inputShape的秩+1）

由于model.fit和model.predict将具有相同秩的张量作为参数，因此model.predict参数是具有上述相同原因的秩2或更多的张量

然而，
model.predict（tf.tensor1d（[6]）
。之所以如此，是因为在内部，tensorflow.js会将一维张量转换为二维张量。形状[6]的初始张量将转换为形状[6,1]的张量

model.predict(tf.tensor1d([6])) 
// will work because it is a 1D tensor 
// and only in the case where the model first layer inputShape is [1]

model.predict(tf.tensor2d([[6]])) 
// will also work
// One rank higher than the inputShape and of shape [1, ...InputShape]

model.predict(tf.scalar(6)) // will not work


const model=tf.sequential(
{layers:[tf.layers.dense（{units:1，inputShape:[1]}）]；
model.predict（tf.ones（[3]）.print（）；//作品
model.predict（tf.ones（[3,1]）.print（）；//作品
二维张量不是一维张量。
tf.tensor2d（[1,2,3,4,5]，[5,1]）
不是
tf.tensor1d（[1,2,3,4,5]）
。一个可以转换为另一个，但这并不意味着它们是相等的

model.fit
将张量或秩2或更多作为参数。这个张量可以看作是一组元素，其形状被赋予模型的输入。模型的
inputShape
是构成
模型的秩1中的最小值。将
参数至少调整为2（1+1始终是inputShape的秩+1）

由于model.fit和model.predict将具有相同秩的张量作为参数，因此model.predict参数是具有上述相同原因的秩2或更多的张量

然而，
model.predict（tf.tensor1d（[6]）
。之所以如此，是因为在内部，tensorflow.js会将一维张量转换为二维张量。形状[6]的初始张量将转换为形状[6,1]的张量

model.predict(tf.tensor1d([6])) 
// will work because it is a 1D tensor 
// and only in the case where the model first layer inputShape is [1]

model.predict(tf.tensor2d([[6]])) 
// will also work
// One rank higher than the inputShape and of shape [1, ...InputShape]

model.predict(tf.scalar(6)) // will not work


const model=tf.sequential(
{layers:[tf.layers.dense（{units:1，inputShape:[1]}）]；
model.predict（tf.ones（[3]）.print（）；//作品
model.predict（tf.ones（[3,1]）.print（）；//作品