Python 作为神经网络输入的特征

这就是我定义神经网络的方式

import tensorflow as tf

class MyFun:
    def __init__(self, x, y, sizes, activations, scope):
        with tf.variable_scope(scope):
            last_out = tf.concat([x, y], axis=1)
            for l, size in enumerate(sizes):
                last_out = tf.layers.dense(last_out, size, activation=activations[l])
            self.vars = tf.trainable_variables(scope=scope)
            self.output = last_out

我需要将预处理输入

x

和

y

（两个占位符）输入到功能中，然后再将它们输入到网络中。更具体地说，我想使用二次特征，即

new_输入=[1，x，y，x**2，y**2，交叉（x，y）]

其中，

交叉（x，y）

包括

[x，y]

所有元素之间的乘积，即

cross（x，y）=[x_1*x_2，x_1*x_3，…，x_1*y_1，…]

我怎样才能做得优雅呢？是否有与sklearn.preprocessing.PolynomialFeatures等价的功能？

这里有一个选项：

#假设占位符是一维向量，大小为3和7：
x=tf.placeholder（tf.float32，shape=[3]）
y=tf.placeholder（tf.float32，shape=[7]）
#concat常数为1.0，x和y为：
z=tf.concat（（tf.constant（1.0，形状=（1，）），x，y），轴=0）
#构造成对的所有乘积：
新的_输入=[z[i]*z[j]表示范围（3+7-1）内的i，表示范围（i，3+7）内的j]
#将张量列表转换为张量（可选）：
新输入=tf.stack（新输入）

---

编辑1

将此扩展到

x

和

y

具有批次维度的情况：

x=tf.placeholder（tf.float32，shape=[None，3]）
y=tf.placeholder（tf.float32，shape=[None，7]）
#我使用1.0+0*x[：，：1]代替tf.constant（1.0）
z=tf.concat（（1.0+0*x[：，：1]，x，y），轴=1）
新的_输入=[z[：，i]*z[：，j]表示范围（3+7-1）内的i，表示范围（i，3+7）内的j]
新输入=tf.stack（新输入，1）

谢谢您的回答。但是，我的占位符

x

和

y

具有形状

（？，常数）

，而不是

（常数）

和

tf。concat

给了我一个错误。我如何修复它？我更新了答案，尽管我承认这个解决方案不是很优雅。我希望它能解决你的问题。