我正在使用Theano进行分类（卷积神经网络）
之前，我一直使用（扁平化）图像的像素值作为神经网络的特征。现在，我想添加额外的特征。
我被告知可以将额外特征的向量与扁平化的图像特征连接起来，然后将其作为全连接层的输入使用，但我在这方面遇到了麻烦。
首先，这种方法正确吗？
以下是一些代码片段和我的错误：
类似于他们网站上提供的示例，但做了一些修改
（来自构建模型的类）
# 为数据分配符号变量 self.x = T.matrix('x') # 数据以光栅化图像的形式呈现 self.y = T.ivector('y') # 标签以[int]标签的一维向量形式呈现 self.f = T.matrix('f') # 额外特征下面，变量 v 和 rng 之前已定义。重要的是 layer2_input：
layer2_input = self.layer1.output.flatten(2)layer2_input = T.concatenate([layer2_input, self.f.flatten(2)])self.layer2 = HiddenLayer(rng, input=layer2_input, n_in=v, n_out=200, activation=T.tanh)（来自训练的类）
train_model = theano.function([index], cost, updates=updates, givens={ model.x: train_set_x[index * batch_size: (index + 1) * batch_size], model.y: train_set_y[index * batch_size: (index + 1) * batch_size], model.f: train_set_f[index * batch_size: (index + 1) * batch_size] })然而，当调用train_model时，我得到了一个错误：
ValueError: GpuJoin: Wrong inputs for input 1 related to inputs 0.!Apply node that caused the error: GpuJoin(TensorConstant{0}, GpuElemwise{tanh,no_inplace}.0, GpuFlatten{2}.0)Inputs shapes: [(), (5, 11776), (5, 2)]Inputs strides: [(), (11776, 1), (2, 1)]Inputs types: [TensorType(int8, scalar), CudaNdarrayType(float32, matrix), CudaNdarrayType(float32, matrix)]输入形状分别代表 x、y 和 f 的形状吗？
如果是的话，第三个似乎是正确的（批量大小=5，2个额外特征），但为什么第一个是标量而第二个是矩阵呢？
更多细节：
train_set_x.shape = (61, 19200) [61个扁平化图像（160x120），19200个像素]train_set_y.shape = (61,) [61个整数标签]train_set_f.shape = (61,2) [每个图像2个额外特征]batch_size = 5我的想法正确吗，还是有更好的方法来实现这个目标？你对为什么我会得到错误有什么见解吗？
回答：
问题是我在错误的轴上进行了连接。
layer2_input = T.concatenate([layer2_input, self.f.flatten(2)])应该改为
layer2_input = T.concatenate([layer2_input, self.f.flatten(2)], axis=1)