如何指定包含不同形状数据的Keras输入？RL猜词游戏场景

基础合并方式 #

直接将两个输入扁平化后拼接成(26*3+1,)的一维向量是可行的，但并非最优——这种方式会丢失输入的结构化语义信息，不利于网络捕捉数据间的关联逻辑。

更优的结构化处理方案 #

• 多分支网络结构
  针对不同类型的输入分开处理，再融合特征：

  • 对(26,3)的字母颜色张量，用1D卷积层（Conv1D）或小型全连接层提取特征，将其压缩为固定维度的向量（比如64维），保留字母与颜色的关联结构。
  • 对回合数这个单值输入，用全连接层映射到相同维度的向量，或直接扩展到对应维度。
  • 最后将两个分支的输出向量拼接、相加或做注意力融合，作为后续网络的输入。

• 通道融合结构化输入
  把回合数转化为(26,1)的张量（每个字母位置都附加当前回合数），与原(26,3)的张量拼接成(26,4)的结构化张量，再用1D卷积或循环层（如LSTM）处理。这种方式能让回合数信息与每个字母的颜色反馈关联，更贴合回合制游戏的决策逻辑——不同回合下，相同的颜色反馈可能有不同的决策价值。

• 注意力增强的输入处理
  先对(26,3)的字母颜色张量做自注意力处理，让网络自动聚焦于高价值的反馈（比如绿色正确的字母），再与编码后的回合数向量融合。这种方式能过滤无关信息，提升网络对关键反馈的利用效率。

这些方案的核心优势是保留了输入的语义结构，让网络更高效地捕捉字母颜色、回合数之间的关联，能加快强化学习策略的收敛速度。

内容的提问来源于stack exchange，提问作者Martín Fixman