Tensorflow:ValueError：输入大小（输入深度）必须通过形状推断进行访问，但saw值无

以下是示例代码：

class Model:

def __init__(self, config):
    inputs = self.get_inputs()
    outputs, _ = tf.nn.dynamic_rnn(
            cell=tf.contrib.rnn.BasicLSTMCell(config.hidden_dim, state_is_tuple=True),
            inputs=inputs,
            dtype=tf.float32)

def get_inputs(self):
    # do something to archive the inputs, 
    # which are not just the word embeddings,
    # rather, they are the outputs of another
    # model. The shape is (batch_size, ?, hidden_dim),
    # ? means the maxlength for each batch depends
    # on the data.

然而，当我训练我的模型时，我得到了以下错误：

Tensorflow:ValueError:Input size（输入深度）必须可以通过形状推断访问，但saw值为None。

---

我假设是变量maxlength导致了这个问题。我需要为我的模型编写自己的LSTM吗？还是有办法解决这个问题？

编译图表时必须知道

输入的最后一个维度。您可以通过打印其静态形状来检查这一点：

print(inputs.get_shape())

您可能看到的是，最后一个维度是
？
，这意味着TensorFlow无法推断它。您说过输入的形状总是
[批次大小，隐藏尺寸]
。然而，TensorFlow不一定能够推断出隐藏的维度。TensorFlow用于推断不同操作的输出形状的智能水平因TensorFlow版本而异

您可以通过显式地告诉TensorFlow输入的维度来解决这个问题。在调用
tf.nn.dynamic\u rnn（）
之前，请使用
inputs.set\u shape（shape）
设置输入的形状。它的工作原理类似于
inputs=tf.reforme（inputs，shape）
，但它只设置静态形状。如果
形状
的某些尺寸为
无
，则它们不会被更改：

inputs.set_shape([None, None, hidden_dim])

maxlength不应导致此问题。你确定你输入的最后一个维度的大小定义得很好吗？我知道这个主题很长时间都不活跃，只是为未来的谷歌用户发布的。当我尝试将CNN与bi LSTM叠加时，我遇到了类似的问题。在打印张量形状后，很明显CNN
output
以某种方式“忘记”了它的形状信息。（它只打印[None，None，None]，而实际上它知道维度）因此，在将输出输入LSTM层之前，我使用
output.set_shape（）
@emrekgn设置“形状信息”，非常感谢您的评论。它为我解决了一个类似的问题，我相信它将在未来继续帮助许多其他人。也许把它作为一个答案？