Python 如何确定秩为3的输入张量的权重维数？

我正试图为三通道输入（三轴加速度计数据）的活动分类设计一个自动编码器

输入张量的形状为

[None，200,3]

（[Batch size，window size，number of Channel]），在第一层中，我想简单地将输入层的维数减少到

[None，150,3]

。以下是创建占位符和第一层的代码：

import tensorflow as tf

def denseLayer(inputVal,weight,bias):
    return tf.nn.relu((tf.matmul(inputVal,weight)+bias))


x = tf.placeholder(dtype=tf.float32,shape=[None,200,3]) #Input tensor
wIn = tf.get_variable(name='wIn',initializer=tf.truncated_normal(stddev=0.1,dtype=tf.float32,shape=[200,150]))

bIn = tf.get_variable(name='bIn',initializer=tf.constant(value = 0.1,shape=[150,3],dtype=tf.float32))


firstLayer = denseLayer(x,weight=wIn,bias=bIn)

当然，此代码将导致错误（由于

x

和

wIn

之间的排名不同），我无法确定

wIn

变量的形状，以获得所需的

第一层
形状，即
[None，150,3]

以下是最终网络的外观（简化版，层数较少）：
我想这正是你想要的：

import tensorflow as tf

def denseLayer(inputVal, weight, bias):
    # Each input "channel" uses the corresponding set of weights
    value = tf.einsum('nic,ijc->njc', inputVal, weight) + bias
    return tf.nn.relu(value)
#Input tensor
x = tf.placeholder(dtype=tf.float32, shape=[None, 200, 3])
# Weights and biases have three "channels" each
wIn = tf.get_variable(name='wIn',
                      shape=[200, 150, 3],
                      initializer=tf.truncated_normal_initializer(stddev=0.1))
bIn = tf.get_variable(name='bIn',
                      shape=[150, 3],
                      initializer=tf.constant_initializer(value=0.1))
firstLayer = denseLayer(x, weight=wIn, bias=bIn)
print(firstLayer)
# Tensor("Relu:0", shape=(?, 150, 3), dtype=float32)

这里的
wIn
可以看作是应用于每个输入通道的三组
[200150]
参数。我认为这是在这种情况下实现这一点的最简单方法。
您尝试的方法有点不寻常，因为通常使用“平坦”特征向量（例如，在您的情况下，600元素的输入向量，而不是200个3元素向量，450元素的输出向量，而不是150个3元素向量）。因此，对于一个给定的示例，您有一个输入
[200，3]
，并且想要一个输出
[150，3]
，但是网络的连接是什么？例如，每个输出向量的“x”坐标应该连接到输入向量的所有“x”、“y”和“z”坐标，还是只连接到输入向量的“x”坐标？@jdehesa我添加了一个图表来消除混淆（“x”坐标应该只连接到“x”坐标，以便在输出层成功地重新创建输入）我明白了，我很欣赏这个图表。还有一件事，对于每一层，您是否希望对三个坐标使用相同的权重集（就像使用一个层三次）？或者你想要有“x”权重、“y”权重和“z”权重（比如有三个“平行”层）？@jdehesa我相信对每个轴使用不同的权重将提高性能，而不是限制权重参数在每个轴上具有相同的值。但这是否意味着我必须为每个轴创建3个权重变量？