TensorFlow中Sequential与Functional API的Embedding行为差异疑问

这个输出形状的差异是设计预期，并不是Bug，核心原因在于两种调用方式对输入维度的处理逻辑不同：

• Sequential API：当你将Embedding层加入Sequential模型后，模型会自动适配输入形状。你的输入是[32, 100, 1]，其中最后一个维度为1（仅包含单个索引值），Sequential会默认将这个多余的维度挤压掉，把输入转换成Embedding层常规的输入格式[32, 100]（批次大小，序列长度），因此输出形状为[32, 100, 8]（批次大小，序列长度，嵌入维度）。

• 直接调用层实例（Functional API风格）：Embedding层本身支持处理任意维度的输入张量，只要最后一维是整数索引。当输入为[32, 100, 1]时，层会保留所有输入维度，对每个位置的1个索引单独生成嵌入向量，因此输出形状会在原输入形状基础上增加嵌入维度，变成[32, 100, 1, 8]。

如果想要让两种方式输出形状一致，可以做以下调整：

• 给输入去掉最后一维：将inputs改为np.random.randint(0, 99, [32, 100])，此时两种调用方式都会输出[32, 100, 8]。
• 直接调用层时手动挤压维度：fm_out = tf.squeeze(myLayer(inputs), axis=-2)，这样fm_out.shape就会和Sequential的输出一致。

内容的提问来源于stack exchange，提问作者neojoony