Tensorflow 连接特征和-形状错误

我在Keras中有一个模型，我想明确地让神经网络看到几个特征的总和。我试着这样做：

sum_input_p=Lambda（sumFunc）（input_p）
d_输入=keras.layers.concatenate(
[input\u p，cont\u cond，sum\u input\u p，one\u hot\u cond\u 1，one\u hot\u cond\u 2]，轴=-1）

在哪里

def sumFunc(x):
   return K.reshape(K.sum(x), [1])

但我有一个错误：

ValueError:

连接

层需要具有匹配形状的输入 除了concat轴。获取输入形状：[（无，267），（无， 1） ，（1），（无，4），（无，2）]

---

这是因为

sumFunc

中的

重塑

步骤吗？我怎样才能正确地重塑它，使它能够与神经网络中的其他特征连接起来？

这是因为

K.sum（）

（

K.restrape（）

实际上并不需要）

所有其他张量（

input\u p

，

cont\u cond

，等等）仍然包含我假设的批处理样本（即，它们的形状是

（批处理大小，数量特征）

，而

batch\u大小=None

，因为它仅在图形运行时定义）。因此，您可能希望

sum\u input\u p

具有一个形状

（批次大小，1）

，即计算输入张量

x

的所有维度的总和，第一个维度除外（对应于批次大小）

导入keras
将keras.backend作为K导入
从keras.layers导入输入，Lambda
将numpy作为np导入
def sumFunc（x）：
x_轴=np.arange（0，len（x.get_shape（）.as_list（））
# ... 或者简单地说x_轴=[0，1]，因为x的形状是已知的
y=K.sum（x，轴=x_轴[1:]）#形状的y（批量大小，）
y=K。展开形状的尺寸（y，-1）#y（批次尺寸，1）
返回y
输入=输入（形状=（267，））
和输入p=Lambda（sumFunc）（输入p）
打印（总和输入）
#>张量（“lambda_1/ExpandDims:0”，形状=（？，1），数据类型=float32）
d_input=keras.layers.concatenate（[input_p，sum_input_p]，axis=-1）
打印（d_输入）
#>张量（“concatenate_1/concat:0”，shape=（？，268），dtype=float32）
这是因为
K.sum（）
（
K.reformate（）
实际上也不需要）

所有其他张量（
input\u p
，
cont\u cond
，等等）仍然包含我假设的批处理样本（即，它们的形状是
（批处理大小，数量特征）
，而
batch\u大小=None
，因为它仅在图形运行时定义）。因此，您可能希望
sum\u input\u p
具有一个形状
（批次大小，1）
，即计算输入张量
x
的所有维度的总和，第一个维度除外（对应于批次大小）

导入keras
将keras.backend作为K导入
从keras.layers导入输入，Lambda
将numpy作为np导入
def sumFunc（x）：
x_轴=np.arange（0，len（x.get_shape（）.as_list（））
# ... 或者简单地说x_轴=[0，1]，因为x的形状是已知的
y=K.sum（x，轴=x_轴[1:]）#形状的y（批量大小，）
y=K。展开形状的尺寸（y，-1）#y（批次尺寸，1）
返回y
输入=输入（形状=（267，））
和输入p=Lambda（sumFunc）（输入p）
打印（总和输入）
#>张量（“lambda_1/ExpandDims:0”，形状=（？，1），数据类型=float32）
d_input=keras.layers.concatenate（[input_p，sum_input_p]，axis=-1）
打印（d_输入）
#>张量（“concatenate_1/concat:0”，shape=（？，268），dtype=float32）
所以我的错误是，我对整个批次进行了求和。谢谢你的解决方案，它很有效！所以我的错误是，我对整批货物进行了合计。谢谢你的解决方案，它很有效！