keras.Model 中輸入的附加維度從何而來？

Question

當我像這樣定義 model 時：

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)

為什么我需要在我的實際輸入中添加另一個維度：

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

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

編輯：

在文檔中，它說了一些關於batchsize 的信息。這個batchsize 是否與我的問題有關？ 如果是這樣，當我想用我的 model 進行預測時，我為什么需要它？ 謝謝你的幫助。

Answer 1

在Keras ( TensorFlow ) 中，無法預測單個輸入。 因此，即使你有一個例子，你也需要給它添加batch_axis 。

實際上，在這種情況下，批處理大小為 1，因此批處理軸。

這就是TensorFlow和Keras的構建方式，即使對於單個預測，您也需要添加批處理軸（批處理大小為 1 == 1 個單個示例）。

您可以使用np.expand_dims(input,axis=0)或tf.expand_dims(input,axis=0)將輸入轉換為適合預測的格式。