理解 tf.keras.Input 中的形状？

事情是 tf. keras.Input 产生符号张量或占位符。它可以与 TF 操作一起使用。请参阅source code：

  Note that even if eager execution is enabled,`Input` produces a symbolic tensor (i.e. a placeholder).
  This symbolic tensor can be used with other
  TensorFlow ops,as such:
  '''python
  x = Input(shape=(32,))
  y = tf.square(X)
  '''

这就是为什么这些打印行都有效。

现在，这里有一些场景。在您的代码中，您可以设置 shape = [n] where n > = 0，用于等级 0 和 1，它们分别是缩放器和向量。但是，如果 2 不等于 n，您将收到秩 x.shape[1] 或矩阵错误。例如：

import tensorflow as tf 
import numpy as np 

# Create a symbolic input
input  = tf.keras.Input(shape=[0],dtype=tf.float32)
result = 2*input + 1 
calc   = tf.keras.Model(inputs=input,outputs=result)

print(calc(1).numpy())                     # scaler rank 0
print(calc(np.array([1,2,3,4])).numpy())   # vector rank 1
print(calc(np.array([[1,4]])).numpy()) # matrix rank 2 

3.0
[3. 5. 7. 9.]

ValueError: Input 0 is incompatible with layer model_2: 
expected shape=(None,0),found shape=(1,4)

为了解决这个问题，我们需要为形状参数设置精确数量的特征维度，这里应该是 4。

# Create a symbolic input
input  = tf.keras.Input(shape=[4],4]])).numpy()) # matrix rank 2 

3.0
[3. 5. 7. 9.]
[[3. 5. 7. 9.]]

这里有一个有趣的事实，如果我们用带有标量或向量的 calc 构建这个 shape = [1] 模型，然后后跟 2D 矩阵，它不会对 2D 输入提出任何投诉，因为只有在模型没有首先构建时才会引发错误。通过一些输入调用模型，模型的形状被设置。

# Create a symbolic input
input  = tf.keras.Input(shape=[1],4]])).numpy()) # matrix rank 2 

3.0
[[3.]
 [5.]
 [7.]
 [9.]]
[[3. 5. 7. 9.]]

但是 AFAIK，如果您构建具有可训练层的模型，就不可能像这样玩。在这种情况下，您需要确保 shape 和输入数据之间的形状匹配问题。例如：

x = tf.keras.Input(shape=[4])
y = tf.keras.layers.Dense(10)(X)
model = tf.keras.Model(x,y)

print(model(np.array([[1,4]])).numpy()) # (1,4)
print(model(np.array([1,4])).numpy())   # (4,)

[[ 1.4779348  -1.8168153  -0.93788755 -1.4927139  -0.23618054  2.4305463
  -1.6176091   0.6640817  -1.648994    3.5819988 ]]

ValueError: Input 0 of layer dense_1 is incompatible with the layer: 
: expected min_ndim=2,found ndim=1. Full shape received: (4,)

如果您要编译并尝试 fit，我很确定您的“模型”会失败，因为没有什么可“学习”的。

然而：它认为对于 2*input + 1 这样的简单操作，形状是不相关的，因为模型不包含任何神经网络节点，所以它没有建立权重和偏置矩阵，这需要一个形状众所周知。

因此，您不应该期望输入形状为 (2,) 的模型既不接受形状 (4,) 的标量也不接受矢量，这是正确的 - 一旦您有了添加了一些神经网络层，例如 keras.layers.Dense() 或可比较的。