Python 如何在Tensorflow中的训练期间将[3751,4]数据集加密并重塑为[1,6]数据集

我正在训练一个模型，其特征形状为[3751,4]，我想使用Tensorflow中内置的重塑和层密度函数，使输出标签具有形状[1,6]

现在，我的模型中有两个隐藏层，可以执行以下操作：

input_layer = tf.reshape(features["x"], [-1,11,11,31,4])
first_hidden_layer = tf.layers.dense(input_layer, 4, activation=tf.nn.relu)
second_hidden_layer = tf.layers.dense(first_hidden_layer, 5, activation=tf.nn.relu)
output_layer = tf.layers.dense(second_hidden_layer, 6)

现在我可以得到输出层的形状[？，11,11,31,6]

---

如何进一步塑造训练节点集，使其最终能够将节点连接到形状[1,6]？形状

[3751,4]

不能直接重塑为

[-1,11,11,31,4]

，因为

3751*4=15004

不能被

11*11*31*4=14964

平均整除

---

在OP评论后编辑

您可以展平数据集并将其作为单个示例提供。见下文

假设

tf.shape（input_feat）=[3751,4]

：

input_layer = tf.reshape(input_feat, [1,-1])
first_hidden_layer = tf.layers.dense(input_layer, 4, activation=tf.nn.relu)
second_hidden_layer = tf.layers.dense(first_hidden_layer, 5, activation=tf.nn.relu)
output_layer = tf.layers.dense(second_hidden_layer, 6)

---

原始答案

由于您使用的是密集层，因此在网络开始时不重塑输入特征将很好地工作并提供类似的结果。唯一的区别是层中的权重将移动位置，但这不会影响结果

如果我们假设

tf.shape（input_feat）=[3751,4]

，下面的代码片段应该可以正常工作

input_layer = tf.identity(input_feat)
first_hidden_layer = tf.layers.dense(input_layer, 4, activation=tf.nn.relu)
second_hidden_layer = tf.layers.dense(first_hidden_layer, 5, activation=tf.nn.relu)
output_layer = tf.layers.dense(second_hidden_layer, 6)

---

谢谢你的回复。3751*4=15004。另外，您提供的代码片段最终会给出[3751,6]的形状，而我实际上需要[1,6]。我明白了。因此，应将整个数据集视为一个单一输入示例：您可以通过修改to

[1，-1]

（请参见编辑）来完成此操作。