我们可以将 Keras Input 形状中的特征设为可变而不是固定的吗？

Question

我正在实现一个链式分类器，它将 lstm 模型作为多类问题的二元分类器链。由于一个二元分类器的输出作为特征被送入下一个二元分类器，因此我们不能使输入形状固定在模型的输入层中。我的代码在这里：

def create_model():
  input_size=length_long_sentence  #107 in my case
  embedding_size=128
  lstm_size=64
  output_size=len(unique_tag_set)
    #----------------------------Model--------------------------------
  current_input=Input(shape=(input_size,)) 
  emb_current = Embedding(vocab_size, embedding_size, input_length=input_size)(current_input)
  out_current=Bidirectional(LSTM(units=lstm_size))(emb_current )
  output = Dense(units=1, activation=  'sigmoid')(out_current)
  model = Model(inputs=current_input, outputs=output)
  #-------------------------------compile-------------
  model.compile(optimizer='Adam', loss='binary_crossentropy', metrics=['accuracy'])
  return model
model = KerasClassifier(build_fn=create_model, epochs=1,batch_size=256, shuffle = True, verbose = 1,validation_split=0.2)
chain=ClassifierChain(model, order='random', random_state=42)
history=chain.fit(X_train, y_train)

在训练时，我收到链中具有不同输入形状的分类器的警告：

每次训练二元分类器时，都会在 (None,108)、(none,109) 等输入上调用它。

模型摘要在这里：

有什么方法可以在keras模型的输入层中使这个大小（none,107）可变？

Answer 1

使用None表示Input层中的可变形状。

  current_input=Input(shape=(None,))

我们可以将 Keras Input 形状中的特征设为可变而不是固定的吗？

can we make no of features in Keras Input shape as variable and not fixed?

python

variable-length

tensorflow

keras-layer

multiclass-classification