为什么在keras tensorflow中嵌入层需要输入长度？

layers.embedding有一个参数（输入长度），描述如下：

input_length：输入序列的长度，当其为常数时。如果要将“展平然后密集层”连接到上游，则需要此参数（如果没有此参数，则无法计算密集输出的形状）

为什么不能计算密集输出的形状。对我来说，

flatte

似乎很容易做到。它只是一个

tf.rehshape（输入，（-1,1））

，后面是一个密集层，我们可以选择任何输出形状

---

你能帮我指出我在理解entir逻辑方面的失误吗？

通过指定尺寸，你可以确保模型接收到固定长度的输入

从技术上讲，您可以将

None

放在您想要的任何输入维度上。将在运行时推断形状

您只需确保指定了层参数（输入尺寸、输出尺寸）、内核尺寸（用于conv层）、单位（用于FC层）

如果使用

输入

并指定张量的形状将通过网络，则可以计算形状

例如，以下模型完全有效：

from tensorflow.keras import layers
from tensorflow.keras import models

ip = layers.Input((10))
emb = layers.Embedding(10, 2)(ip)
flat = layers.Flatten()(emb)
out = layers.Dense(5)(flat)

model = models.Model(ip, out)

model.summary()

这里，我没有指定输入长度，但它是从

input

层推断出来的

问题在于顺序API，如果不在输入层指定输入形状，也不在嵌入层指定输入形状，则无法使用正确的参数集构建模型。

比如说,

from tensorflow.keras import layers
from tensorflow.keras import models

model = models.Sequential()
model.add(layers.Embedding(10, 2, input_length = 10)) # will be an error if I don't specify input_length here as there is no way to know the shape of the next layers without knowing the length

model.add(layers.Flatten())
model.add(layers.Dense(5))


model.summary()

---

在本例中，您必须指定输入长度，否则模型将抛出错误。

感谢您的帮助！我的理解是否正确：“输入长度：输入序列的长度，当其为常数时。如果要将扁平层连接到上游密集层，则需要此参数（如果没有此参数，则无法计算密集输出的形状）。”这意味着，如果我要将

展平

然后密集附加到

嵌入

层的输出，那么我必须指定

输入长度

参数。我想最好是您给我提供一个示例，其中必须提供

input\u length

参数。input\u length相当于

input（shape=（10））

，我展示了一个函数API模型，由于我之前在输入层中指出了形状，我不必在嵌入中再次指定长度，我添加了一个连续的示例，如果我不指定输入长度，模型将抛出错误，因为无法为模型选择权重形状。归根结底，NN是一组带有数字的矩阵，在建立模型之前，你需要知道每个矩阵的维数。这很有意义。但是，我们不是懒洋洋地在

build

方法中构建层吗？权重将根据第一个输入批次计算？每次实例化层对象时，它要么直接获取形状（输入层），要么从上一层推断，如果未找到相关形状信息，则抛出错误。这样想，稠密层是一个完全连接的层，所以它需要知道前一层中有多少个输入（因为在稠密层中，每个输入都连接到每个输出），否则它无法初始化权重矩阵。哦，是的！我懂了。这类似于不指定前一个密集层的输出形状，然后期望下一个层创建其权重。但是，我还是有一条皱纹。。即使第一批通过网络后，未指定前一密集层的输出形状的情况仍然不明确。但是这种情况可以通过在

build

方法中创建权重来轻松处理。我认为在编译模型时不会初始化模型权重。第二个网络的所有权重在第一批数据通过时就已确定

from tensorflow.keras import layers
from tensorflow.keras import models

model = models.Sequential()
model.add(layers.Embedding(10, 2, input_length = 10)) # will be an error if I don't specify input_length here as there is no way to know the shape of the next layers without knowing the length

model.add(layers.Flatten())
model.add(layers.Dense(5))


model.summary()