Python Tensorflow文本矢量化在model.summary（）中没有任何形状

我正在使用

预处理

类中的

文本向量化

对象中的

编码器

。然后我调整我的列车数据，如下所示：

encoder = tf.keras.layers.experimental.preprocessing.TextVectorization(max_tokens=1000)
encoder.adapt(dataset_all.map(lambda text, label: text))

然后我想运行一个具有密集层的简单神经网络。这是我的模型

model = tf.keras.Sequential([
                  tf.keras.Input(shape=(1,), dtype=tf.string),
                  encoder,
                  tf.keras.layers.Embedding(len(encoder.get_vocabulary())+1
                           ,output_dim=64,mask_zero=True),
                  tf.keras.layers.Dense(64, activation='relu'),
                  tf.keras.layers.Dense(4, activation='softmax')
])

打印摘要时，我会得到以下信息：

_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
text_vectorization (TextVect multiple                  0         
_________________________________________________________________
embedding_39 (Embedding)     (None, None, 64)          6142528   
_________________________________________________________________
dense_74 (Dense)             (None, None, 64)          4160      
_________________________________________________________________
dense_75 (Dense)             (None, None, 4)           260       
=================================================================
Total params: 6,146,948
Trainable params: 6,146,948
Non-trainable params: 0

我不明白每个输出DIM中的第二个

None

代表什么。此外，当我尝试拟合模型时，我得到一个错误消息（使用

sparseCategoricalCrossEntropy

loss）：

因为我需要一个2D输出用于最终的稠密层，所以我尝试在嵌入层之后添加一个展平层，但是它不起作用，因为稠密层输入的第二个维度是未指定的

---

如果我在嵌入层之后添加一个RNN层，网络训练会正确，因为嵌入层的输出是3D的，但是，我不知道如何只拥有密集层。

这是因为您没有指定指示

编码器的输出形状的参数，即
输出\序列\长度

output\u sequence\u length:如果设置，则输出将填充或截断其时间维度，以精确输出\u sequence\u length值，从而产生形状张量[batch\u size，output\u sequence\u length]，而不管拆分步骤产生了多少标记。默认为“无”

如果将其设置为数字，您将看到将定义图层的输出形状：

encoder = tf.keras.layers.experimental.preprocessing.TextVectorization(
    max_tokens=1000, 
    output_sequence_length=200
)

之后，可以使用
globalaveragepoolg1d
层进行二维输出

阅读
嵌入后添加
globalaveragepoolg1d
怎么样？
encoder = tf.keras.layers.experimental.preprocessing.TextVectorization(
    max_tokens=1000, 
    output_sequence_length=200
)

Model: "sequential_2"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
text_vectorization_3 (TextVe (None, 200)               0         
_________________________________________________________________
embedding_2 (Embedding)      (None, 200, 64)           448       
_________________________________________________________________
dense_4 (Dense)              (None, 200, 64)           4160      
_________________________________________________________________
dense_5 (Dense)              (None, 200, 4)            260       
=================================================================
Total params: 4,868
Trainable params: 4,868
Non-trainable params: 0
_________________________________________________________________