我有一個簡單的網絡：input_layer = Input(1)inner_layer = Dense(4, activation='relu')(input_layer)output_layer = Dense(1, activation='linear')(inner_layer)model = Model(input_layer, output_layer)optimizer = Adam(learning_rate=0.01)model.compile(optimizer=optimizer, loss='mse')直觀地說，對輸入的推斷將只是 。但是，這會生成此錯誤：0model.predict(0)expected input_2 to have 2 dimensions, but got array with shape ()我知道它期望輸入（這是一個單個數字）是二維的，但我不明白Tensorflow接受什么作為有效輸入。我嘗試了許多不同的輸入組合，有些有效，有些不起作用，它似乎非常不一致，警告/錯誤通常沒有用：呼叫時 ：model.predict()model.predict(0)- 投擲model.predict([0]) - 工程model.predict([[0]]) - 工程調用時（我在這里看到需要獲取漸變）：model()model(0)- 投擲model([0])- 投擲model([[0]])- 投擲使用時：np.reshapemodel(np.reshape(0,[1,1])) - 工程model(np.reshape([0],[1,1])) - 工程model(np.reshape([[0]],[1,1])) - 工程似乎一直在工作的是使用numpy的功能。它始終適用于所有輸入，只要它們被重塑為形狀即可。reshapemodel.predict()model()[1,1]我的問題：在輸入形狀/類型方面，將輸入饋送到張量流模型中的準則是什么？“”是什么意思？shape ()“”是什么意思？(None, 1)為什么有效但無效？兩者都創建一個二維集合。reshape[[0]]為什么在調用 // 時，此警告顯示： ？model(0)model([0])model([[0]])WARNING:tensorflow:Model was constructed with shape Tensor("input_1:0", shape=(None, 1), dtype=float32) for input (None, 1), but it was re-called on a Tensor with incompatible shape ()
1 回答
冉冉說
TA貢獻1877條經驗 獲得超1個贊
張量的形狀是 （運行 ）。表示動態確定的任何大?。ㄅ笮。?。是數據點的形狀。例如，這是形狀的張量：inputs = tf.keras.layers.Input(1)(None, 1)inputs.get_shape().as_list()None1(3, 1)
[[1], [2], [1]]
這是形狀的張量(3,)
[1, 2, 1]
如果定義形狀的張量，則必須提供相同形狀的數據。(None, 1)
具有正確的形狀，如果將其作為預期數據類型的 numpy 數組傳遞，則不會引發任何錯誤或警告：[[0]](1, 1)
import tensorflow as tf
import numpy as np
input_layer = tf.keras.layers.Input(1)
inner_layer = tf.keras.layers.Dense(4, activation='relu')(input_layer)
output_layer = tf.keras.layers.Dense(1, activation='linear')(inner_layer)
model = tf.keras.models.Model(input_layer, output_layer)
optimizer = tf.keras.optimizers.Adam(learning_rate=0.01)
model.compile(optimizer=optimizer, loss='mse')
print(model(np.array([[0.]], dtype=np.float32)).numpy()) # [[0.]]
print(model.predict(np.array([[0.], [1]], dtype=np.float32))) # [[0. ]
# [0.08964952]]
np.reshape()工作，因為它會自動將您的列表轉換為numpy數組。有關詳情，請參閱官方文檔。np.reshape
還需要與 相同的形狀，但可以執行自動整形（在左側擴展尺寸，即 ）。model.predict()model.__call__()[1] -- > [[1]]
添加回答
舉報
0/150
提交
取消