layers.embedding具有documentation描述为的参数（input_length）：
input_length：输入序列的长度，如果为常数。如果要在上游连接Flatten然后连接Dense层，则必须使用此参数（否则，将无法计算密集输出的形状）。
为什么无法计算密集输出的形状。对我来说，Flatten似乎很容易做到。它只是一个tf.rehshape(input,(-1,1))，后跟一个具有我们选择的任意输出形状的密集层。
您能帮助我指出对整体逻辑的理解上的失误吗？
答案 0 :(得分：2)
通过指定尺寸，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放在所需的任何输入尺寸处。形状将在运行时推断。
您只需要确保指定了图层参数（input_dim，output_dim），kernel_size（用于转换层），单位（用于FC层）。
如果使用Input并指定通过网络传递张量的形状，则可以计算形状。
例如以下模型是完全有效的：
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()
Model: "model"
_________________________________________________________________
Layer (type) Output Shape Param #
=================================================================
input_2 (InputLayer) [(None, 10)] 0
_________________________________________________________________
embedding (Embedding) (None, 10, 2) 20
_________________________________________________________________
flatten (Flatten) (None, 20) 0
_________________________________________________________________
dense (Dense) (None, 5) 105
=================================================================
Total params: 125
Trainable params: 125
Non-trainable params: 0
在这里，我没有指定input_length，但是它是从Input层推断出来的。
问题在于顺序API，如果您既未在Input层中又未在嵌入层中指定输入形状，则无法使用适当的参数集来构建模型。< / strong>
例如，
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()
在此示例中，必须指定input_length，否则模型将引发错误。