如何在TensorFlow中输入100×36矩阵并输出100元素向量？

需求说明 #

需要实现：输入一个100×36的矩阵，输出一个100元素的向量，向量的第i个元素对应矩阵第i行的处理结果，示例如下：

行号  矩阵行数据
0     0 1 0 2 0 0 ... 1
1     0 0 0 0 0 0 ... 0
...   ... ... ... ... ...
99    1 1 0 0 1 2 ... 1
↓
输出向量：[0 1 1 0 0 1 ... 0]

矩阵格式化方法 #

在Markdown里展示这类大矩阵，最实用的方式是用代码块包裹：

0     0 1 0 2 0 0 ... 1
1     0 0 0 0 0 0 ... 0
.     . . . . . . .   .
.     . . . . . .  .  .
.     . . . . . .   . .
99    1 1 0 0 1 2 ... 1

如果需要更规整的对齐，可以在生成数据时固定每个元素的宽度（比如每个元素占2位），再复制到代码块里。

TensorFlow实现思路 #

你的需求本质是对矩阵的每一行（36维向量）单独做映射，输出1维结果，最终拼接成100维向量，可以按以下步骤实现：

1. 数据准备：将100×36的矩阵转换成TensorFlow支持的张量，形状为(100, 36)，对应100个样本、每个样本36个特征。
2. 构建模型：用简单的全连接网络即可，示例代码：

import tensorflow as tf

model = tf.keras.Sequential([
    tf.keras.layers.Dense(64, activation='relu', input_shape=(36,)),  # 接收36维输入
    tf.keras.layers.Dense(1)  # 每个样本输出1维结果
])

3. 推理预测：输入100×36的张量，模型输出(100, 1)的张量，用tf.squeeze()压缩成100维向量：

input_matrix = tf.random.normal((100, 36))  # 示例输入矩阵
output_vector = tf.squeeze(model(input_matrix))

多矩阵存储方案 #

要避免不同矩阵的行混淆，确保每个神经网络输入是独立矩阵，推荐以下几种方式：

• 单个CSV+标识列：给每个矩阵的所有行添加唯一的矩阵ID列（比如矩阵A的行ID统一为"A"），读取时按ID分组提取完整矩阵。
• 独立文件存储：每个矩阵单独存为一个CSV文件，命名规则如matrix_001.csv、matrix_002.csv，读取时逐个加载即可。
• HDF5格式存储：用h5py库将多个矩阵按键值对存储，示例代码：

import h5py

with h5py.File('matrices.h5', 'w') as f:
    f['matrix_1'] = your_matrix_1  # 存入100×36矩阵
    f['matrix_2'] = your_matrix_2

读取时直接通过键名提取对应矩阵，不会混淆。

• Numpy二进制文件：每个矩阵存为.npy文件，用numpy.save()和numpy.load()读写，操作简单且效率高。

内容的提问来源于stack exchange，提问作者SJPRO