了解锯齿张量以及如何在TensorFlow中使用它们。我的示例

xx = tf.ragged.constant([                        [0.1, 0.2],                        [0.4, 0.7 , 0.5, 0.6]                        ])yy = np.array([[0, 0, 1], [1,0,0]])mdl = tf.keras.Sequential([    tf.keras.layers.InputLayer(input_shape=[None], batch_size=2, dtype=tf.float32, ragged=True),    tf.keras.layers.LSTM(64),      tf.keras.layers.Dense(3, activation='softmax')])mdl.compile(loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),              optimizer=tf.keras.optimizers.Adam(1e-4),              metrics=['accuracy'])mdl.summary()history = mdl.fit(xx, yy, epochs=10)

错误

Input 0 of layer lstm_152 is incompatible with the layer: expected ndim=3, found ndim=2. Full shape received: [2, None]

我不确定是否可以这样使用锯齿张量。我找到的所有示例在LSTM之前都有嵌入层，但我不想创建额外的嵌入层。

回答：

我建议使用Input层而不是InputLayer，你通常不需要使用InputLayer。无论如何，问题在于你的输入和LSTM层输入形状不匹配，以下是我所做的修改，并附有一些注释。

# xx应该为3维以适合LSTMxx = tf.ragged.constant([                        [[0.1, 0.2]],                        [[0.4, 0.7 , 0.5, 0.6]]                        ])"""标签表示为OneHotEncoding，所以你应该使用CategoricalCrossentropy而不是SparseCategoricalCrossentropy"""yy = np.array([[0, 0, 1], [1,0,0]])# 对于锯齿张量，获取最大序列长度max_seq = xx.bounding_shape()[-1]mdl = tf.keras.Sequential([    # 输入层形状为[任意, 最大序列长度]                          tf.keras.layers.Input(shape=[None, max_seq], batch_size=2, dtype=tf.float32, ragged=True),    tf.keras.layers.LSTM(64),    tf.keras.layers.Dense(3, activation='softmax')])# CategoricalCrossentropymdl.compile(loss=tf.keras.losses.CategoricalCrossentropy(from_logits=True),              optimizer=tf.keras.optimizers.Adam(1e-4),              metrics=['accuracy'])mdl.summary()history = mdl.fit(xx, yy, epochs=10)