Python 我无法获得正确的输入形状

下面的代码给了我一个输入错误，我无法找出它

import tensorflow as tf
import neural_structured_learning as nsl
.
.
.
b_size = 132
m = tf.keras.Sequential()
m.add(tf.keras.layers.Dense(980, activation = 'relu', input_shape = (2206,2,)))

m.add(tf.keras.layers.Dense(560, activation = 'relu'))
m.add(tf.keras.layers.Dense(10, activation = 'softmax'))

adv_config = nsl.configs.make_adv_reg_config(multiplier=0.2, adv_step_size=0.5)
adv_model = nsl.keras.AdversarialRegularization(m, adv_config=adv_config)

adv_model.compile(optimizer = "adam",
                 loss = "sparse_categorical_crossentropy",
                 metrics = ['accuracy'])
adv_model.fit({"feature" : x_Train, "label" : y}, epochs = 50, batch_size=b_size)

我的x_列车具有形状

（5002206,2）

（5002个大小样本

（2206,2）

）。我尝试在开始时添加一个

flant（）

层，但是它给了我一个

类型为'NoneType'的对象没有len（）

错误，尽管这在tf.keras中非常有效。我也尝试了不同的输入形状，但都不起作用。因此，它向我抛出了以下错误之一

KeyError: 'dense_115_input'

ValueError: Input 0 of layer sequential_40 is incompatible with the layer: expected axis -1 of input shape to have value 2206 but received input with shape [None, 2206, 2]

TypeError: object of type 'NoneType' has no len()

---

如果要使用密集层，输入应为

（5002206*2）

，即矩阵。 也许最简单的解决方案是在“适合”之前重塑输入x_序列

或者，您可以使用

TimeDistributed

层（），但这种层的使用取决于输入维度背后的物理含义。基本上，

TimeDistributed

多次应用某个操作，在您的情况下是两次

---

希望这能对你有所帮助

要使用输入词典训练NSL模型（如

{“feature”：x_train，“label”：y}

），基础模型必须知道词典中要查看的特征

指定要素名称的一种方法是添加

输入

图层：

m = tf.keras.Sequential()
m.add(tf.keras.Input(name="feature", shape=(2206, 2)))

同样如前所述，输入特征在进入密集层之前必须变平：

m.add(tf.keras.layers.Flatten())
m.add(tf.keras.layers.Dense(...))

---

当我尝试使用keras训练模型时，它确实可以使用shape

（2206*2，）

和重塑

x\u train

（但在beggining处添加一个扁平层就足以处理keras中的输入形状），但当我尝试使用nsl的对抗性正则化时，错误

关键错误：“密集的115\u输入”

会弹出。而且我无法计算出时间分布层。