模型需要 Tensorflow Extra None 维度答案

【问题标题】：Tensorflow Extra None dimension required for model模型需要 Tensorflow Extra None 维度
【发布时间】：2020-02-20 15:13:40
【问题描述】：

这是我的模型：

model = tf.keras.models.Sequential([
  tf.keras.layers.Flatten(input_shape=(40, 40, 3)),
  tf.keras.layers.Dense(150, activation='relu'),
  tf.keras.layers.Dropout(0.2),
  tf.keras.layers.Dense(10)
])

我的输入张量称为 image_batch 。当我运行np.shape(image_batch[0]) 时，结果是TensorShape([40, 40, 3])。这是预期的行为，因为每个训练示例都是 40x40x3 的 rgb 图像）。但是，当运行命令predictions = model(image_batch[0]).numpy() 以获取模型的预测时，我得到了错误：

WARNING:tensorflow:Model was constructed with shape Tensor("flatten_1_input:0", shape=(None, 40, 40, 3), dtype=float32) for input (None, 40, 40, 3), but it was re-called on a Tensor with incompatible shape (40, 40, 3).

所以我的问题是为什么 keras 模型需要一个具有额外“无”维度的形状，我如何将它提供给模型？

【问题讨论】：

标签： python tensorflow keras tensor

【解决方案1】：

None 维度是批处理维度。换句话说，输入的形状应该是(batch_size, height, width, num_channels)。

如果您想预测一个输入，请将model(image_batch[0]).numpy() 更改为model(image_batch[0:1]).numpy()。这将保持第一个维度。在这种情况下，形状将是 (1, 40, 40, 3)。

【讨论】：

好的，所以“None”可以接受任何维度，如果我想在更大的集合上进行预测，我可以这样做：model(image_batch[0:3]).numpy()对于前 3 个，说（或者是 4 个）
是的，批次维度的大小可以不同。这就是为什么是None。 image_batch[0:3] 将是前三个示例。

【解决方案2】：

None 是批次维度。它被设置为无，因为它可以变化。例如，您可以在训练期间使用大小为 512 的批次，然后在预测时使用大小为 1 的批次。

【讨论】：