模型需要 Tensorflow Extra None 维度

Question

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，当运行宁命令 predictions = model(image_batch[0]).numpy() 以获得模型的预测时，我得到错误：

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 "None" 维度的形状，我如何将它提供给模型？

Answer 1

None维度是批次维度。换句话说，输入的形状应该是 (batch_size, height, width, num_channels).

如果要预测一个输入，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，形状将为 (1, 40, 40, 3)。

Answer 2

None是批量维度。它被设置为 None 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。

模型需要 Tensorflow Extra None 维度

Tensorflow Extra None dimension required for model

python

keras

tensorflow

tensor