如何将3维One Hot Encoded数据输入TensorFlow前馈神经网络

标准前馈神经网络的全连接层仅支持2维张量输入（维度格式为(样本数, 特征数)），你当前的3维独热编码输入核心需要把每个样本对应的后两维张量转换为一维，有两种适配方案可选：

方案1：直接展平输入（保留全部独热编码信息） #

在输入层前添加Flatten层，自动将单样本的(序列长度, 独热维度)张量展平为一维向量，你的示例场景下每个样本会被转换为长度为4*3=12的特征向量，适配代码如下：

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Flatten

model = Sequential()
model.add(Flatten(input_shape=(4, 3))) # input_shape仅填写单样本维度，无需传入样本数
model.add(Dense(24, activation="sigmoid"))
model.add(Dense(48, activation="sigmoid"))
model.add(Dense(6, activation="softmax"))

大规模数据集(n, len(sequence), 3)可以直接输入该模型，无需额外修改预处理逻辑。

方案2：聚合特征匹配输入特征数等于序列长度的需求 #

如果你要求输入特征数严格等于序列长度（示例中为4），可以通过池化操作将每个位置的3维独热向量聚合为单个数值，压缩维度的同时保留序列长度维度：

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, GlobalAveragePooling1D

model = Sequential()
# 对最后一维做平均池化，输出shape为(序列长度, )，示例中为(4,)
model.add(GlobalAveragePooling1D(input_shape=(4, 3)))
model.add(Dense(24, activation="sigmoid"))
model.add(Dense(48, activation="sigmoid"))
model.add(Dense(6, activation="softmax"))

如果你的数据集包含不同长度的序列，只需要把input_shape中的4改为None即可适配。

通用3维输入处理规则 #

对于格式为(n, 维度1, 维度2)的3维输入，要接入前馈网络只需二选一处理：

• 展平操作：将维度1*维度2所有数值作为独立特征，保留全部原始信息，特征数量随维度数值增长
• 聚合操作：对其中一个维度做池化、统计量计算等压缩操作，特征数量可控，但会损失部分细粒度信息

如果你的DNA分类任务对碱基位置信息敏感，优先选择展平方案保留完整独热编码信息。

内容的提问来源于stack exchange，提问作者Ashaki