Question

可以将可变长度（即input_dim=None）应用于简单的神经网络吗？具体来说，是Keras顺序模型。尝试采用相同的概念时，我一直遇到错误。我已经看过似乎支持此功能的文档：

https://keras.io/getting-started/functional-api-guide/

但是当我执行以下操作时...

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'))

...我收到此错误：

ValueError: ('Only Theano variables and integers are allowed in a size-tuple.', (None, 63), None)

任何帮助，想法或澄清将不胜感激！

Answer 1

不，您不能。（而且您也不能使用功能性API）

权重矩阵的大小固定，此大小取决于输入的暗淡。

可能的变量尺寸为：

卷积：空间尺寸，但不包括通道/过滤器
- 一维：input_shape=(None,channels)
- 2D：input_shape=(None,None,channels)
- 3D：input_shape=(None,None,None,channels)
在循环图层中：“时间步长”维度，而非要素维度
- input_shape = (None, features)
在任何层中，都是“批量”尺寸，但是通常不会设置此尺寸，除非您使用batch_shape或batch_input_shape而不是input_dim
- 用于密集：batch_shape=(None,input_dim)或batch_input_shape=(None,input_dim)

简单神经网络（Keras）的可变长度输入

1 个答案: