我正在训练一个模型，其特征形状为[3751,4]，我想使用Tensorflow内置的reshape和layer dense函数，使输出标签的形状变为[1,6]。

现在我的模型中有两个隐藏层，它们会执行类似下面的操作：

input_layer = tf.reshape(features["x"], [-1,11,11,31,4])first_hidden_layer = tf.layers.dense(input_layer, 4, activation=tf.nn.relu)second_hidden_layer = tf.layers.dense(first_hidden_layer, 5, activation=tf.nn.relu)output_layer = tf.layers.dense(second_hidden_layer, 6)

因此，现在我可以得到output_layer的形状为[?,11,11,31,6]。

如何进一步调整训练节点集，使其最终连接到形状为[1,6]的节点？

回答：

形状[3751, 4]无法直接重塑为[-1,11,11,31,4]，因为3751*4 = 15004不能被11*11*31*4 = 14964整除。

根据原始发布者的评论后的编辑

您可以将数据集展平，并将其作为单个示例输入。请看下方

假设tf.shape(input_feat)==[3751, 4]：

input_layer = tf.reshape(input_feat, [1,-1])first_hidden_layer = tf.layers.dense(input_layer, 4, activation=tf.nn.relu)second_hidden_layer = tf.layers.dense(first_hidden_layer, 5, activation=tf.nn.relu)output_layer = tf.layers.dense(second_hidden_layer, 6)

原始回答

在网络开始时不重塑输入特征也能正常工作，并提供类似的结果，因为您使用的是密集层。唯一的区别是层的权重会移动位置，但这不会影响您的结果。

如果我们假设tf.shape(input_feat) == [3751, 4]，以下代码片段应该可以正常工作

input_layer = tf.identity(input_feat)first_hidden_layer = tf.layers.dense(input_layer, 4, activation=tf.nn.relu)second_hidden_layer = tf.layers.dense(first_hidden_layer, 5, activation=tf.nn.relu)output_layer = tf.layers.dense(second_hidden_layer, 6)