不'；t keras.layers.Flatten丢失信息？

一般来说，keras和ML是全新的。我在看，它在嵌入和稠密之间使用了展平，因为嵌入产生了一个二维向量，但稠密需要一个一维

我确信我在这里遗漏了一些明显的东西，但为什么这不丢失哪些单词在哪些输入向量中？我们怎么还能知道输入#3是“很好的工作”，并且与标签#3，1关联，表示“积极”

我猜原始维度是从原始输入中保留下来的，然后以某种方式恢复为Dense的输出？还是我完全忽略了一个主要的概念方面

model = Sequential()
model.add(Embedding(vocab_size, 8, input_length=max_length))
model.add(Flatten())
model.add(Dense(1, activation='sigmoid'))

---

谢谢你的指导

嵌入层为每个单词标记提供一个向量，因此输出是二维的。我们需要在任何分类器块之前使用

flatten

有一些信息丢失，例如，当我们使用卷积层，然后平坦的特征地图，空间信息丢失。但是我们已经使用Conv层提取了最重要的特征，并将这些特征提供给完全连接的层

在您的示例中，不再保持时间维度，通常，需要将嵌入矩阵的输出传递到RNN/Conv层以进行进一步的特征提取

• 仅展平应用于非批处理维度，这意味着示例仍然是分开的（如果您的意思是这样的话）

• 对于每个样本，比如说，

  nice work

  ，我们得到2个向量（1个代表nice，1个代表work），现在我们只想从句子中了解整体情绪，因此，一旦我们提取特征，我们就可以应用flatte

---

嵌入层为每个单词标记提供一个向量，因此输出是二维的。我们需要在任何分类器块之前使用

flatten

有一些信息丢失，例如，当我们使用卷积层，然后平坦的特征地图，空间信息丢失。但是我们已经使用Conv层提取了最重要的特征，并将这些特征提供给完全连接的层
在您的示例中，不再保持时间维度，通常，需要将嵌入矩阵的输出传递到RNN/Conv层以进行进一步的特征提取
• 仅展平应用于非批处理维度，这意味着示例仍然是分开的（如果您的意思是这样的话）

• 对于每个样本，比如说，

  nice work

  ，我们得到2个向量（1个代表nice，1个代表work），现在我们只想从句子中了解整体情绪，因此，一旦我们提取特征，我们就可以应用flatte

---

谢谢！不过我还是错过了一些东西。假设我们的输入是

nice job

，label

0

这太差劲了

，label

1

转换成

[[1,2]，[3,4]]

扁平化

[1,2]，[3,4]

。任何学习都发生在

[1,2,3,4]

，而不是

[1,2]，[3,4]]

，是吗？但我们需要将输入分开，以确定哪些模式适用于将给定输入与其标签相匹配，对吗？但是我们难道没有忘记这样一个事实：

sample[0]

是

[1,2]

，

sample[1]

是

[3,4]

？很明显，它是有效的，所以我知道我缺少一些基本的东西。只是不知道发生了什么DI在问题中告诉过你，展平在批次维度上不起作用（第一个轴表示样本编号），这意味着[1,2]和[3,4]始终保持分离。另外，嵌入层为每个标记提供一个向量，1->[0.5,0.2，-0.5]类似的内容。此外，权重将被乘以，偏差将被添加到文本序列中。好的，我想我理解你的意思，但我的主要收获是原始样本确实保持分离。（是的，我知道矢量化和偏差等。我只是想保持简单和简短。）再次感谢！编辑：哦，等等，也许我所介绍的简化对扁平化的整个目的都有影响。不管怎样，我现在可以继续前进了。谢谢你的帮助，谢谢！不过我还是错过了一些东西。假设我们的输入是

nice job

，label

0

这太差劲了

，label

1

转换成

[[1,2]，[3,4]]

扁平化

[1,2]，[3,4]

。任何学习都发生在

[1,2,3,4]

，而不是

[1,2]，[3,4]]

，是吗？但我们需要将输入分开，以确定哪些模式适用于将给定输入与其标签相匹配，对吗？但是我们难道没有忘记这样一个事实：

sample[0]

是

[1,2]

，

sample[1]

是

[3,4]

？很明显，它是有效的，所以我知道我缺少一些基本的东西。只是不知道发生了什么DI在问题中告诉过你，展平在批次维度上不起作用（第一个轴表示样本编号），这意味着[1,2]和[3,4]始终保持分离。另外，嵌入层为每个标记提供一个向量，1->[0.5,0.2，-0.5]类似的内容。此外，权重将被乘以，偏差将被添加到文本序列中。好的，我想我理解你的意思，但我的主要收获是原始样本确实保持分离。（是的，我知道矢量化和偏差等。我只是想保持简单和简短。）再次感谢！编辑：哦，等等，也许我所介绍的简化对扁平化的整个目的都有影响。不管怎样，我现在可以继续前进了。谢谢你的帮助。