Machine learning 如何将多个输入传递到Tensorflow神经网络？

我一直在将3个输入（不同形状的占位符）传递到神经网络的隐藏层

这就是我到目前为止所做的：

with tf.name_scope("Final_Check"):
    # TODO: Is this the correct way to pass 3 inputs into the hidden layer?
    final_layer1 = tf.layers.dense([self.final_time_input, self.final_request_input, self.final_stream_input],
                                   500,
                                   activation=tf.nn.relu,
                                   name="final_hl1")
    final_layer2 = tf.layers.dense(final_layer1,
                                   500,
                                   activation=tf.nn.relu,
                                   name="final_h12")
    final_layer3 = tf.layers.dense(final_layer2,
                                   500,
                                   activation=tf.nn.relu,
                                   name="final_hl3")

    final_output = tf.layers.dense(final_layer3,
                                   500,
                                   activation=tf.nn.relu,
                                   name="final_output")

占位符：

self.final\u time\u输入

self.final\u请求\u输入

self.final\u流\u输入

隐藏层：所有最终_层[1-3]和最终_输出

---

我试着用谷歌搜索一些示例代码，但找不到任何示例代码。

tf.layers.dense

需要张量输入。它是您案例中的一个列表（

[self.final\u time\u input，self.final\u request\u input，self.final\u stream\u input]

）。您需要使用

tf.concat

将它们连接起来，以便

tf.concat([self.final_time_input, self.final_request_input, self.final_stream_input], axis=1)

---

假设输入张量的形状为

[批次大小，特征大小]

，其中

特征大小可以不同
 
tf.concat
是我们将多个输入（tf.placeholder）从输入层传递到隐藏层的方式吗？因为我在本例中遇到的问题是，我想将几条信息传递到隐藏层，例如，时间段、请求类型等。是的，您可以使用
tf.concat
。如果要对不同的输入应用不同的操作，则应首先应用它们，然后连接输出。