Python TensorFlow Federated：如何为具有多个输入的模型编写输入规范

我试图使用tensorflow提供的联邦学习库制作一个图像字幕模型，但我被这个错误卡住了

密集层的输入0与层不兼容：：预期最小值ndim=2，发现ndim=1。

这是我的输入规格：

input_spec=collections.OrderedDict(x=(tf.TensorSpec(shape=(2048,), dtype=tf.float32), tf.TensorSpec(shape=(34,), dtype=tf.int32)), y=tf.TensorSpec(shape=(None), dtype=tf.int32))

---

该模型将图像特征作为第一个输入，将词汇表列表作为第二个输入，但我无法在input_spec变量中表达这一点。我试着把它表达成一个列表，但还是不起作用。下一步我可以试试什么？

好问题！在我看来，这个错误来自TensorFlow本身——这表明您可能拥有正确的嵌套结构，但叶子可能已经脱落。从TFF的角度来看，您的输入规范似乎“应该可以工作”，所以它可能与您拥有的数据有点不匹配

我要尝试的第一件事是——如果您有一个示例

tf.data.Dataset

，它将被传递到您的客户机计算中，您可以简单地将

input\u spec

作为

element\u spec

属性直接从该数据集读取。这看起来像：

# ds = example dataset
input_spec = ds.element_spec

这是最简单的方法。如果您有类似于“numpy数组列表”的内容，那么仍然有一种方法可以从数据本身中提取这些信息——下面的代码片段应该可以帮助您：

# data = list of list of numpy arrays
input_spec = tf.nest.map_structure(lambda x: tf.TensorSpec(x.shape, x.dtype), data)

最后，如果您有一个

tf.Tensors

列表，TensorFlow提供了一个类似的功能：

# tensor_structure = list of lists of tensors
tf.nest.map_structure(tf.TensorSpec.from_tensor, tensor_structure)

---

简而言之，我不会手动指定

input\u spec

，而是让数据告诉您它的输入规范应该是什么。

我尝试了您的第一个建议，它成功了！非常感谢你！！