简单神经网络（Keras）的可变长度输入答案

【问题标题】：Variable length input for a simple neural network (Keras)简单神经网络（Keras）的可变长度输入
【发布时间】：2018-07-11 18:22:15
【问题描述】：

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，Keras Sequential 模型。我在尝试使用相同的概念时遇到了错误。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！

【问题讨论】：

标签： tensorflow keras theano sequential

【解决方案1】：

不，你不能。（你也不能使用函数式 API）

权重矩阵有一个固定的大小，这个大小取决于输入的尺寸。

可能的可变维度是：

在卷积中：空间维度，但不是通道/过滤器
- 一维：input_shape=(None,channels)
- 二维：input_shape=(None,None,channels)
- 3D：input_shape=(None,None,None,channels)
在循环层中：时间步维度，而不是特征维度
- input_shape = (None, features)
在任何层中，“batch”维度，但通常不会设置，除非您使用batch_shape 或batch_input_shape 而不是input_dim
- 对于密集：batch_shape=(None,input_dim) 或 batch_input_shape=(None,input_dim)

【讨论】：

如果我为顺序模型添加一个或多个循环层怎么办？
第一个问题是“你想做什么，为什么？”然后你选择使用什么。
我正在尝试对多个运动统计类别（总共 63 个）进行单一预测。但是我的样本数量有所不同。我的训练数据是 9 个样本的向量，但我的测试数据是 7 个样本的向量。我认为使用 (None, 63) 的 input_shape 可以实现这一目标。我的输出只是 4 个样本的向量 (4, 63)
你所说的“样本”是什么？如果您有 9 个输入样本，则必须有 9 个输出样本。如果您有 7 个输入样本，那么您必须有 7 个输出样本。为此，您需要 inpup_dim=63 或 input_shape=(63,)。
抱歉澄清：输入是一个包含 9 个向量的嵌套向量，具有 63 个特征。它看起来像这样 [[1, 2, 3, ..., 63], [1, 2, 3, ..., 63], .... ]。输出格式相同，但只有 4 个向量长。