Tensorflow 为什么批处理大小在Keras层的方法调用中为None？

我正在Keras中实现一个自定义层。如果我打印传递给

call

方法的输入的形状，我会得到

None

作为第一个元素。为什么呢？第一个元素不应该是批量大小吗

def call(self, x):
    print(x.shape)  # (None, ...)

当我调用

model.fit

时，我传递的是批量大小

batch_size = 50
model.fit(x_train, y_train, ..., batch_size=batch_size)

---

那么，方法

调用

何时实际调用？在方法

call

中获得批量大小的推荐方法是什么？

None

表示它是一个动态形状。它可以接受任何值，具体取决于您选择的批次大小

默认情况下定义模型时，该模型定义为支持您可以选择的任何批次大小。这就是

None

的意思。在

TensorFlow 1.*

中，模型的输入是

tf.placeholder（）

的一个实例

如果未使用指定批量大小的

keras.InputLayer（）

，则默认情况下会得到第一个维度

None

：

将tensorflow导入为tf
model=tf.keras.models.Sequential（）
添加（tf.keras.layers.density（单位=2，输入形状=（2，））
打印（model.inputs[0].get_shape（）.as_list（））35;[None，2]
打印（model.inputs[0].op.type==“占位符”）#True

当使用指定批量大小的

keras.InputLayer（）

时，可以使用固定批量大小定义输入占位符：

将tensorflow导入为tf
model=tf.keras.models.Sequential（）
添加（tf.keras.layers.InputLayer（（2，），批量大小=50））
添加（tf.keras.layers.density（单位=2，输入形状=（2，））
打印（model.inputs[0].get_shape（）.as_list（））[50,2]
打印（model.inputs[0].op.type==“占位符”）#True

当您为

model.fit（）

方法指定批大小时，这些输入占位符已经定义，您无法修改其形状。

model.fit（）

的批大小仅用于分割提供给批的数据

如果使用批大小

2

定义输入层，然后将批大小的不同值传递给

model.fit（）

方法，则会得到

ValueError

：

将tensorflow导入为tf
将numpy作为np导入
model=tf.keras.models.Sequential（）
model.add（tf.keras.layers.InputLayer（（2，），batch_size=2））#我面临同样的问题，发现使用
tf.shape（您的_变量）
而不是
您的_变量。shape
解决了这个问题。As
tf.shape（您的_变量）
将在稍后调用fit函数时动态计算

参考文献
你没有回答我的问题。何时调用
call
以及在
call
方法中获得批量大小的推荐方法是什么？为什么我们甚至会有或需要第一维度的动态大小？第一个维度不能直接和显式地传递吗？我仍然不明白为什么批大小有
None
。为什么呢？如果在定义层时通常没有指定
None
，为什么不去掉
None
？如果我使用的是
顺序
？因此，要定义所有层的批量大小，我需要首先向
顺序
？“model.fit（）
的批量大小仅用于分割提供给批量的数据。”，但是如果
fit
方法中指定的批大小与占位符中指定的批大小不同怎么办？在这种情况下，您将得到
ValueError
。在我的回答之后，模型的
call（）
在向前传球时被调用。
model.call（）
依次调用已定义层的
call（）
方法，向前传递层的值。