Python 将标量输入Tensorflow 2模型的正确方法

在我的Tensorflow 2模型中，我希望批量大小是参数化的，这样我就可以动态地构建具有适当批量大小的张量。我有以下代码：

batch_size_param = 128

tf_batch_size = tf.keras.Input(shape=(), name="tf_batch_size", dtype=tf.int32)
batch_indices = tf.range(0, tf_batch_size, 1)

md = tf.keras.Model(inputs={"tf_batch_size": tf_batch_size}, outputs=[batch_indices])
res = md(inputs={"tf_batch_size": batch_size_param})

代码在

tf.range

中抛出错误：

ValueError: Shape must be rank 0 but is rank 1
 for 'limit' for '{{node Range}} = Range[Tidx=DT_INT32](Range/start, tf_batch_size, Range/delta)' with input shapes: [], [?], []

我认为问题在于，

tf.keras.Input

自动尝试在第一维度扩展输入数组，因为它期望输入的部分形状而不需要批量大小，并将根据输入数组的形状附加批量大小，在我的例子中，这是一个标量。我可以将标量值作为一个常量整数输入

tf.range

，但这次，在编译模型图之后，我将无法更改它

---

有趣的是，尽管我也查看了文档，但我没有找到一种只向TF-2模型中输入标量的正确方法。那么，处理这种情况的最佳方法是什么呢？

不要使用

tf.keras.Input

，只需通过子类化定义模型即可

将tensorflow导入为tf
类ScalarModel（tf.keras.Model）：
定义初始化（自）：
super（）。\uuuu init\uuuuu（）
def呼叫（自我，x）：
返回tf.范围（0，x，1）
打印（ScalarModel（）（10））
#tf.Tensor（[01234456789]，shape=（10，），dtype=int32）

我不确定这是否真的是个好主意，但你可以像这样使用tf.squeak

inp = keras.Input(shape=(), dtype=tf.int32)
batch_indices = tf.range(tf.squeeze(inp))
model = keras.Model(inputs=inp, outputs=batch_indices)

所以

model(6)

给予

会使

model(np.array([6,7]))

返回

<tf.RaggedTensor [[0, 1, 2, 3, 4, 5], [0, 1, 2, 3, 4, 5, 6]]>

model(np.array([6,7]))

<tf.RaggedTensor [[0, 1, 2, 3, 4, 5], [0, 1, 2, 3, 4, 5, 6]]>