keras.Model 中 Input 的附加维度从何而来? [英] where does the additional dimension of the Input in a keras.Model come from?

问题描述

当我定义一个模型时:

import tensorflow as tf
from tensorflow.keras import layers
import numpy as np

input_shape = (20,20)
input = tf.keras.Input(shape=input_shape)

nn = layers.Flatten()(input)
nn = layers.Dense(10)(nn)
output = layers.Activation('sigmoid')(nn) 

model = tf.keras.Model(inputs=input, outputs=output)

为什么我需要在实际输入中添加另一个维度:

Why do I need to add another dimension to my actual input:

actual_input = np.ones((1,20,20))
prediction = model.predict(actual_input)

为什么我不能只做 actual_input = np.ones((20,20))?

在 docs 中，它说了一些关于批量大小的内容.是这个批量大小与我的问题有关吗?如果是这样，当我想用​​我的模型进行预测时，我为什么需要它?感谢您的帮助.

in the docs it says something about batchsize.. Is this batchsize somehow related to my question? If so, why would I need it, when I want to predict with my model? Thanks for any help.

推荐答案

在 Keras (TensorFlow) 中，无法预测单个输入.因此，即使您只有一个示例，也需要将 batch_axis 添加到其中.

In Keras (TensorFlow), one cannot predict on a single input. Therefore, even if you have a single example, you need to add the batch_axis to it.

实际上，在这种情况下，批次大小为 1，因此是批次轴.

Practically, in this situation, you have a batch size of 1, hence the batch axis.

这就是 TensorFlow 和 Keras 的构建方式，即使对于单个预测，您也需要添加批处理轴(批处理大小为 1 == 1 个单个示例).

This is how TensorFlow and Keras are built, and even for a single prediction you need to add the batch axis (batch size of 1 == 1 single example).

您可以使用 np.expand_dims(input,axis=0) 或 tf.expand_dims(input,axis=0) 将您的输入转换为合适的格式预测.

You can use np.expand_dims(input,axis=0) or tf.expand_dims(input,axis=0) to transform your input into a suitable format for prediction.

这篇关于keras.Model 中 Input 的附加维度从何而来?的文章就介绍到这了，希望我们推荐的答案对大家有所帮助，也希望大家多多支持IT屋！