Python Keras层中np.newaxis的操作：乘法与级联

我有一个关于Keras中np.newaxis的问题。我有一个维数为[None，64]的x_6，我可以用它扩展到4维

temp = Lambda(lambda x: x[:,np.newaxis,np.newaxis,:])(x_6)

与大小为（None，None，None，64）的层x_1相乘有效

但是，由于形状不匹配，将两者连接起来是不起作用的

x_1 = Concatenate(axis=-1)([x_1,temp])

有人知道问题出在哪里吗？ 错误消息是

ValueError: A 'Concatenate' layer requires inputs with matching shapes excpet for the concat axis. Got input shapes: [(None,None,None,64),(None,1,1,64)]

将np.newaxis更改为None会产生相同的问题

另一个没用的把戏

temp = Lambda(lambda x: K.expand_dims(x,axis=1))(x_6)
temp = Lambda(lambda x: K.expand_dims(x,axis=1))(temp)

---

如果批处理旁边的

None

都是1，那么

Input

中的特定形状如何？输入具有形状（None，None，3），因为输入图像的尺寸未知。等等，如果形状不相等，则无法进行压缩，就像回溯所说的。为什么我可以乘法呢？这可以归结为乘法，它可以进行广播，而串联则不能。因此，您只需要一种方法来将temp广播到所需的形状，即[x_1.shape[0]，x_1.shape[1]，x_1.shape[2]，temp.shape[3]]，以便沿轴-1（=3）连接。这在某种程度上可能与tf.broadcast_to有关。否则，您可以使用乘法和所有1以一种丑陋的方式进行广播。

temp = Lambda(lambda x: K.expand_dims(x,axis=1))(x_6)
temp = Lambda(lambda x: K.expand_dims(x,axis=1))(temp)