TensorFlow 1.x中张量[B,L,C]转[B,L*C]遇Dense层报错如何解决？

我有一个形状为[B, L, C]的张量，需要将其重塑为[B, L * C]。我尝试了以下代码：

shape = tf.shape(x)
item_vec = tf.reshape(x, [shape[0], shape[1] * shape[2]])

但将该张量传入tf.contrib.layers.fully_connected时，抛出了如下错误：

ValueError: The last dimension of the inputs to `Dense` should be defined. Found `None`.

原因分析 #

tf.shape()获取的是张量的运行时动态形状，而tf.contrib.layers.fully_connected依赖的Dense层需要输入张量的静态形状最后一维是确定值——因为全连接层需要提前初始化对应维度的权重参数，静态形状不确定的话无法完成初始化。

方法1：基于静态形状计算重塑维度 #

如果张量x的L和C是固定已知的（静态形状中不是None），直接用get_shape()获取静态形状来计算总特征维度：

static_shape = x.get_shape().as_list()
item_vec = tf.reshape(x, [static_shape[0], static_shape[1] * static_shape[2]])

重塑后的张量静态形状最后一维会被明确，就能正常传入全连接层。

方法2：显式指定总特征数 #

如果你提前知道L*C的具体数值，可以直接写死该值，用-1让TensorFlow自动推断批量维度B：

# 替换128为你的L*C实际计算值
item_vec = tf.reshape(x, [-1, 128])

方法3：手动设置静态形状 #

如果L和C是运行时确定但你提前知晓具体值的场景，可以在重塑后手动设置张量的静态形状：

shape = tf.shape(x)
item_vec = tf.reshape(x, [shape[0], shape[1] * shape[2]])
# 替换128为你的L*C实际值
item_vec.set_shape([None, 128])

这样全连接层就能识别到最后一维的确定维度，完成权重初始化。

内容的提问来源于stack exchange，提问作者liangyubo