TensorFlow训练中如何将[3751,4]数据集转为[1,6]输出格式？

嘿，我来帮你搞定这个输出形状的问题！首先得搞清楚为什么现在输出是[?,11,11,31,6]——因为tf.layers.dense默认只会对输入的最后一个维度做变换，前面的维度（比如这里的11、11、31）会原封不动保留下来，所以经过两次Dense层后，这些空间维度还在，导致输出带着一堆多余的维度。

要得到[1,6]的输出，核心是把这些多余的空间维度（11、11、31）压缩成一个维度，再连接到输出层。这里有两种常用的方法，你可以根据需求选：

方法1：使用Flatten层扁平化所有空间维度 #

这种方法会把除了batch维度之外的所有维度直接摊平成一维，适合需要利用所有空间特征的场景。修改后的代码如下：

import tensorflow as tf

# 你的原始输入处理
input_layer = tf.reshape(features["x"], [-1, 11, 11, 31, 4])
first_hidden_layer = tf.layers.dense(input_layer, 4, activation=tf.nn.relu)
second_hidden_layer = tf.layers.dense(first_hidden_layer, 5, activation=tf.nn.relu)

# 新增Flatten层：把[1,11,11,31,5]摊平成[1, 11*11*31*5] = [1, 18755]
flatten_layer = tf.layers.flatten(second_hidden_layer)
# 连接输出层，得到[1,6]的结果
output_layer = tf.layers.dense(flatten_layer, 6)

方法2：使用全局池化层压缩空间维度 #

这种方法会对空间维度（11、11、31）做平均/最大池化，只保留每个通道的全局统计特征，参数更少，不容易过拟合，适合空间特征冗余的场景。修改后的代码如下：

import tensorflow as tf

# 你的原始输入处理
input_layer = tf.reshape(features["x"], [-1, 11, 11, 31, 4])
first_hidden_layer = tf.layers.dense(input_layer, 4, activation=tf.nn.relu)
second_hidden_layer = tf.layers.dense(first_hidden_layer, 5, activation=tf.nn.relu)

# 全局平均池化3D：对11、11、31三个维度取平均，得到[1,5]
global_pool_layer = tf.layers.global_average_pooling3d(second_hidden_layer, data_format='channels_last')
# 连接输出层，得到[1,6]的结果
output_layer = tf.layers.dense(global_pool_layer, 6)

两种方法都能帮你得到想要的[1,6]输出形状，你可以根据自己的任务需求选择~

内容的提问来源于stack exchange，提问作者yuonger741