Tensorflow 简单神经网络（Keras）的可变长度输入

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_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）

• 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

  batch\u shape

  或

  batch\u input\u shape

  而不是

  input\u dim

  • 对于密集型：

    batch\u shape=（无，输入尺寸）

    或

    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：
• 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）

• 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

  batch\u shape

  或

  batch\u input\u shape

  而不是

  input\u dim

  • 对于密集型：

    batch\u shape=（无，输入尺寸）

    或

    batch\u input\u shape=（无，输入尺寸）

---

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（总共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。