Keras/Machine 学习：扁平化输入数据与具有更高维输入的优缺点？
Keras/Machine Learning: Any pros and cons of flattening input data vs having a higher dimensional input?
我正在训练一个以两个 300d 词向量作为输入的模型。我原本打算提供一个 600d 向量作为输入数据。
但是，我在 Keras 数据集页面上注意到：http://keras.io/datasets/
他们使用更高维度的输入数据而不是扁平化输入。例如，它们表示一个 32x32 的 RBG 图像，尺寸为：(3, 32, 32)
我应该输入 (2,300) 还是 (1,600) 输入？有关系吗？
当且仅当您的模型是空间模型时才重要。典型的例子涉及卷积神经网络。否则 - 如果没有使用基于空间的模块 - 数据将以任何一种方式在内部展平。
我正在训练一个以两个 300d 词向量作为输入的模型。我原本打算提供一个 600d 向量作为输入数据。
但是，我在 Keras 数据集页面上注意到：http://keras.io/datasets/
他们使用更高维度的输入数据而不是扁平化输入。例如，它们表示一个 32x32 的 RBG 图像，尺寸为：(3, 32, 32)
我应该输入 (2,300) 还是 (1,600) 输入？有关系吗？
当且仅当您的模型是空间模型时才重要。典型的例子涉及卷积神经网络。否则 - 如果没有使用基于空间的模块 - 数据将以任何一种方式在内部展平。