Tensorflow 简单神经网络(Keras)的可变长度输入
可变长度,即Tensorflow 简单神经网络(Keras)的可变长度输入,tensorflow,keras,theano,sequential,Tensorflow,Keras,Theano,Sequential,可变长度,即input\u dim=None,是否可以应用于简单的神经网络?具体而言,Keras序列模型。我在尝试使用相同的概念时遇到了错误。我已经看到了支持此功能的文档: 但是当我做以下事情的时候 model = Sequential() model.add(Dense(num_feat, input_dim = None, kernel_initializer = 'normal', activation='relu')) model.add(Dense(num_feat, kernel_
input\u dim=None
,是否可以应用于简单的神经网络?具体而言,Keras序列模型。我在尝试使用相同的概念时遇到了错误。我已经看到了支持此功能的文档:
但是当我做以下事情的时候
model = Sequential()
model.add(Dense(num_feat, input_dim = None, kernel_initializer = 'normal', activation='relu'))
model.add(Dense(num_feat, kernel_initializer = 'normal', activation = 'relu'))
model.add(Dropout(.2))
model.add(Dense(num_feat, kernel_initializer = 'normal', activation = 'relu'))
model.add(Dropout(.2))
model.add(Dense(num_feat, kernel_initializer = 'normal', activation = 'relu'))
model.add(Dropout(.2))
model.add(Dense(ouput.shape[1], kernel_initializer = 'normal', activation = 'linear'))
…我得到这个错误:
ValueError: ('Only Theano variables and integers are allowed in a size-tuple.', (None, 63), None)
任何帮助、想法或澄清都将不胜感激 不,你不能。(您也不能使用函数式API)
权重矩阵具有固定的大小,该大小取决于输入尺寸
可能的可变尺寸为:
- 卷积中:空间维度,但不是通道/滤波器
- 1D:
input\u shape=(无,通道)
- 2D:
input\u shape=(无,无,通道)
- 3D:
input\u shape=(无,无,无,通道)
- 1D:
- 在重复层中:时间步维度,但不是特征维度
input\u shape=(无,功能)
- 在任何层中,“批次”维度,但通常不会设置,除非您使用
或batch\u shape
而不是batch\u input\u shape
input\u dim
- 对于密集型:
或batch\u shape=(无,输入尺寸)
batch\u input\u shape=(无,输入尺寸)
不,你不能。(您也不能使用函数式API)
权重矩阵具有固定的大小,该大小取决于输入尺寸
可能的可变尺寸为:
- 对于密集型:
- 卷积中:空间维度,但不是通道/滤波器
- 1D:
input\u shape=(无,通道)
- 2D:
input\u shape=(无,无,通道)
- 3D:
input\u shape=(无,无,无,通道)
- 1D:
- 在重复层中:时间步维度,但不是特征维度
input\u shape=(无,功能)
- 在任何层中,“批次”维度,但通常不会设置,除非您使用
或batch\u shape
而不是batch\u input\u shape
input\u dim
- 对于密集型:
或batch\u shape=(无,输入尺寸)
batch\u input\u shape=(无,输入尺寸)
- 对于密集型:
inpup\u dim=63
,或input\u shape=(63,)
。抱歉澄清:输入是一个包含9个向量和63个特征的嵌套向量。它看起来像这样[[1,2,3,…,63],[1,2,3,…,63],…]。输出是相同的格式,但只有4个向量长。如果我为序列模型添加一个或多个重复层会怎么样?第一个问题是“你想做什么,为什么?”然后你选择使用什么。我正在尝试对多个体育统计类别(共63个)进行单一预测。但我的样品数量各不相同。我的训练数据是9个样本的向量,但我的测试数据是7个样本的向量。我认为使用(None,63)的输入_形状可以实现这个目标。我的输出仅仅是4个样本(4,63)的向量,你称之为“样本”是什么?如果有9个输入样本,则必须有9个输出样本。如果有7个输入样本,则必须有7个输出样本。为此,您需要inpup\u dim=63
,或input\u shape=(63,)
。抱歉澄清:输入是一个包含9个向量和63个特征的嵌套向量。它看起来像这样[[1,2,3,…,63],[1,2,3,…,63],…]。输出格式相同,但只有4个向量长。