Question

如何在不指定初始输入形状的情况下将Keras张量从形状（1,1,10）重塑为形状（10）？使用Flatten（）（作为命令）给出

 <tf.Tensor 'flatten_11/Reshape:0' shape=(?, ?) dtype=float32>

作为输出并在模型

中使用它时出错

model = Sequential()
    model.add(Convolution1D(filters=self.nb_filters,
                            kernel_size=self.n_gram,
                            padding='valid',
                            activation='relu',
                            input_shape=(None,3*self.vecsize)))
    model.add(MaxPooling1D(pool_size=3*self.vecsize-self.n_gram+1))
    model.add(Flatten())
    model.add(Dense(num_categories, activation='softmax'))

它说：＆＃34; Flatten＆＃34;的输入形状没有完全定义（得到（无，10）。确保将完整的＆＃34; input_shape＆＃34;或＃34; batch_input_shape＆＃34;参数传递给模型中的第一层。

初始输入形状是1 *任意尺寸* vecsize，我强烈不想事先指定任意尺寸。

使用Flatten（（1,1,10））而不仅仅是Flatten（）也会产生错误：

TypeError：__ init __（）需要1个位置参数但是2个被赋予

那么我该怎么做才能让它发挥作用呢？

Answer 1

在提供第一层的input_shape时，您不得添加None部分。这是为批量大小保留的，将在培训或预测时自动推断。

因此，在定义您的第一个Convolution1D时，如果您最后使用频道，则input_shape应该只是input_shape = (3*self.vecsize,1)，如果您使用频道，则(1,3*self.vecsize)第一。

Answer 2

这当然是来自NumPy的假设。我们都熟悉使用np.reshape（-1,224,224,3）重新整形数组。这是NumPy格式。但是，我是直接从Keras的文档中向您发布代码。

as first layer in a Sequential model
model = Sequential()
model.add(Reshape((3, 4), input_shape=(12,)))
now: model.output_shape == (None, 3, 4)
note: `None` is the batch dimension

intermediate layer in a Sequential model
model.add(Reshape((6, 2)))
now: model.output_shape == (None, 6, 2)

also supports shape inference using `-1` as dimension
model.add(Reshape((-1, 2, 2)))
now: model.output_shape == (None, 3, 2, 2)

您可以看到其格式为

model.add(Reshape((targetsize)))

希望它有所帮助。

重塑Keras张量

2 个答案: