我正在使用 tf-agents 和 tensorflow 2.0 创建一个纸牌神经网络。
这些卡以两种热方式编码（一种热编码卡等级，一种热编码服，级联-> [13] + [4] = [17]），但我想让网络学习自己的方式内部卡编码（此问题：长度[4]）。这是我的问题：
我有一个三维数组的玩家，他们的手牌都用shape=(6,2,17)，而二维数组的社区卡则是shape=(5,17)。
我想对单个玩家卡进行操作，得到shape=(6, 2, 4)和社区卡，得到shape=(5,4)，所有这些都具有相同的学习权重和偏见。
为了完成此任务，我有一些想法，想知道其中哪些有意义，为什么：
- 使用 Convolution1d
这应该是最简单的应用于特定维度的方法，它的二维等效项用于自动编码器，其功能类似于我在此处要实现的功能。为什么我认为这不是一个好主意：卷积实际上并不是在乎信息的放置位置，而是在附近，所以从直觉上讲，将这些用于我的目的没有任何意义。
- 使用 TimeDistributed
这就是我目前正在使用的。这样做有两个问题，即它始终使用批处理大小之后的第一个维度作为时间维度，因此在使用它之前，我必须将玩家卡片重塑为shape=(12,17)，但是更大的问题是当前无法保存为已保存的模型（请参见this github issue），因此目前无法用于我的目的。
但是，从理论上讲，这应该起作用，对吗？我可以对每张卡分别应用一个密集层，并保留其他尺寸，尽管名称有点误导，因为我不处理时间分布的数据。
- 使用编码层
这是我之前从未真正研究或使用过的选项。它应该用于这样的用例，所以我的问题是：这是理想的解决方案吗，它能否保留其他尺寸（对于播放器，至关重要的是，我可以应用编码并随后将其与其他播放器信息连接起来），您认为它可以与我的双一热编码卡矢量一起使用吗？