如何在TensorFlow中实现非方阵的行编码器与列编码器模型？

错误原因分析 #

你遇到的核心问题是输入数据的样本数不匹配，以及对Keras输入维度的误解：

• 原代码中，data是30×40的矩阵，直接传入模型时，Keras会把data.shape[0]（30）当作样本数，data.shape[1]（40）当作每个样本的特征数；而转置后的np.transpose(data)是40×30的矩阵，样本数变成了40，和原数据的30个样本数不匹配，触发基数错误。
• 方阵数据能运行是因为转置后样本数不变（比如40×40转置后还是40个样本），刚好规避了样本数不匹配的问题。

修正方案（无需更换库） #

要适配非方阵场景，只需调整数据格式和模型结构，保证所有输入的样本数一致，同时让模型正确处理二维输入的行/列特征。

步骤1：调整数据格式 #

将原始的二维矩阵转换为批量格式（增加样本维度），确保转置前后样本数一致：

• 单样本场景：给原始矩阵增加一个维度，从(30,40)变为(1,30,40)，转置后为(1,40,30)
• 多样本场景：如果有N个30×40的矩阵，数据格式应为(N,30,40)，转置后为(N,40,30)

步骤2：重构模型结构 #

使用TimeDistributed层分别处理行和列的特征，再拼接后解码还原原矩阵：

from tensorflow.keras.layers import Input, Dense, Concatenate, Flatten, TimeDistributed, Reshape
from tensorflow.keras.models import Model
import tensorflow as tf
import numpy as np

# 生成模拟数据（30×40矩阵）
data = np.random.rand(30, 40)
# 转换为批量格式（单样本）
data_batch = data[np.newaxis, ...]
# 转置后的批量数据
data_t_batch = np.transpose(data_batch, axes=(0, 2, 1))

# 行编码器：处理(30,40)的输入，对每行单独编码
r_input = Input(shape=(30, 40))
# 对每行（40维）编码为20维特征
r_encoded = TimeDistributed(Dense(20, activation='relu'))(r_input)
# 展平所有行的特征得到全局行特征
r_flat = Flatten()(r_encoded)

# 列编码器：处理(40,30)的输入（原矩阵转置），对每列单独编码
c_input = Input(shape=(40, 30))
# 对每列（30维）编码为20维特征
c_encoded = TimeDistributed(Dense(20, activation='relu'))(c_input)
# 展平所有列的特征得到全局列特征
c_flat = Flatten()(c_encoded)

# 拼接行、列特征
concat_features = Concatenate()([r_flat, c_flat])

# 解码器：还原为30×40的矩阵
decoder_dense1 = Dense(512, activation='relu')(concat_features)
decoder_dense2 = Dense(30 * 40, activation='linear')(decoder_dense1)
# 重塑为目标形状
output = Reshape((30, 40))(decoder_dense2)

# 构建并编译模型
one_model = Model(inputs=[r_input, c_input], outputs=output)
one_model.compile(optimizer='adam', loss='mse')

# 训练模型（单样本时batch_size设为1）
history = one_model.fit([data_batch, data_t_batch], data_batch, epochs=50, batch_size=1, verbose=2)

关键调整点 #

• 用TimeDistributed层实现对每行/每列的独立编码，保留行/列的局部特征
• 统一输入的样本数（通过批量格式），解决数据基数不匹配问题
• 最后用Reshape层将解码器的一维输出还原为原矩阵的二维形状

内容的提问来源于stack exchange，提问作者Chandana Deshmukh