Python 对keras层使用tf.split或tf.slice

我想将大小为

[batchSize，2，16]

的训练样本拆分为大小为

[batchSize，2]

的16个张量，并将它们输入到同一个模型中。我如何在keras中实现这些目标

我首先以以下方式实现了这一点：

def functionA(x_Config):

    y = layers.Input(shape=(2,16,))

    hidden1 = 5
    hidden2 = 10

    x_input = layers.Input(shape=(2,))
    hidden_layer1 = Dense(hidden1, activation='relu')(x_input)
    hidden_layer2 = Dense(hidden2, activation='relu')(hidden_layer1)
    x_output = Dense(x_Config.m, activation='linear')(hidden_layer2)
    model_x= Model(inputs=x_input, outputs=x_output)


    for i in range(16):
        x_input = Lambda(lambda x: x[:, :, i])(y)

        if i == 0:
           x_output = model_x(x_input)
        else:
            x_output = layers.concatenate([x_output, 
                                      model_x(x_input)])

    x_output = Lambda(lambda x: x[:, :tf.cast(N, tf.int32)])(x_output)

    final_model = Model(y, x_output)

    return final_model

PS：对于

[batchSize，2]

输入（无需拆分），我有一个针对

model_x

的相同NN架构的经过培训的模型。这种型号性能很好。当我尝试将该模型的权重加载到上述代码中时，

model_x

，它根本不能提供良好的性能，也不能很好地进行训练

所以我相信我的问题在Lamda层的循环中。如何使用

tf.split

或

tf.slice

进行此操作？

您可以使用函数：

tensors = tf.unstack(data, axis=2)

您可以使用以下功能：

tensors = tf.unstack(data, axis=2)