Machine learning keras中的函数模型：参数无效：必须为占位符张量'；编码器输入'；使用数据类型float和shape[8,64,10]

这就是我定义的模型

encoder_input = Input(batch_shape=(BATCH_SIZE, MAX_SENTENCE_SIZE, VOCAB_SIZE), 
                      name='encoder_input')
mask = Masking(mask_value=0.0)(encoder_input)
encoded = LSTM(ENCODING_SIZE, return_sequences=False, name='encoded')(mask)

encoder = Model(encoder_input, encoded) 

# make decoder model
decoder_input = Input(shape=(BATCH_SIZE, ))
decoded = RepeatVector(MAX_SENTENCE_SIZE)(decoder_input)
decoded = LSTM(VOCAB_SIZE, return_sequences=True)(decoded)
decoded = TimeDistributed(Dense(VOCAB_SIZE, activation='softmax', 
                                name='decoded'))(decoded)


decoder = Model(decoder_input, decoded)

# make sequence autoencoder
encoder_decoder_input = Input(batch_shape=(BATCH_SIZE, MAX_SENTENCE_SIZE, VOCAB_SIZE), 
                              name='encoder_decoder_input')
encoder_output = encoder(encoder_decoder_input)
decoder_output = decoder(encoder_output)

sequence_autoencoder = Model(encoder_decoder_input, decoder_output)
sequence_autoencoder.compile(loss='categorical_crossentropy', optimizer='adam')

当我尝试对其进行训练时，使用批次上的训练，并输入正确尺寸的输入和目标，它会给我以下错误：

Invalid argument: You must feed a value for placeholder tensor 'encoder_input' with dtype float and shape [8,64,10]
     [[Node: encoder_input = Placeholder[dtype=DT_FLOAT, shape=[8,64,10], _device="/job:localhost/replica:0/task:0/gpu:0"]()]]

---

这没有道理。你知道为什么会这样吗

不要在输入形状中使用“批大小”。只使用单个数据样本的形状。（除非该批大小是LSTM层特别需要的，我对此不太了解）。例如：如果您正在使用一批10000张28x28像素的图像进行训练，则您的输入形状仅为（28,28）按照您的建议删除批处理形状并不能解决问题。我必须在编码器输入后立即删除

掩蔽层才能使其工作。但是，我不确定它为什么能解决问题。如果没有一段最小的、自包含的、可复制的代码，我们很难再向您提供建议，因为我们可以运行这段代码来显示问题。这里您似乎没有包含运行模型的代码，这是非常相关的。