关于Tensorflow输入数据的shape

关于Tensorflow输入数据的shape确定

注意：

1.模型数据输入的shape与batch_size无关！

2.只有"单个"样本的shape有关！

3.且只与样本的"特征数据"的shape有关，与标签shape无关！

因为从框架设计上来说，每个人训练的输入batch_size不一定一样，所以模型输入shape就肯定不能带上batch_size。
只当真正训练时，自动每批次求导即可。即，你每次输入1个样本，它就计算1个样本，求一次损失；如果你输入10个，那么它就
计算10个样本，求其均值损失。

tensorflow的标准dataset格式

使用tf.data.Dataset.from_tensor_slices((特征数据列表,标签值列表))是最方便的一种方式。TF设计的数据读取方式：
每单个样本格式必须是(特征数据，标签值)这么一对。但是输入给from_tensor_slices的参数不能是[(特征数据，标签值),…]，而是((特征数据列表,标签值列表)),这一点与pytorch不一样，pytorch是前一种格式即可被data.DataLoader读取。

batch_size就是这么一对一对样本组合的个数。batch_size的作用就是让模型一次一口吃多个样本。因为仅仅(特征数据，标签值)一对一口，吃的太慢。这样由batch_size个样本组合的数据叫mini_batch.

len(df)   #样本总个数
#303
train_dataset = dataset.shuffle(len(df)).batch(3)  #经过batch_size=3的划分后
len(train_dataset)
#101   每次喂给模型mini-batch后，需要喂101口。

在模型内部，模型层的直接输入数据是特征数据而不是标签数据，
标签数值仅仅只是在call函数中与模型生成的结果进行损失求值而已。所以不需要关心标签数值的shape,只需要盯着特征数据shape看就行了，并且仅看单个样本的特征数据shape无视batch_size.

如何查看Dataset单个特征数据的shape?

很简单直接打印Dataset即可,因为TF设计Dataset的打印输出仅为shape信息，不是具体数值

print(train_dataset)
#<BatchDataset shapes: ((None, 12), (None,)), types: (tf.float64, tf.int8)>

得到特征样本的shape是(None,12)，其中None是占位batch_size,无视即可，本身就是(12,)

例：第一层模型的shape输入

model = tf.keras.Sequential([
    tf.keras.layers.Dense(16,input_shape=(12,),activation='relu',name="D1"),
    tf.keras.layers.Dense(32,activation='relu',name="D2"),
    tf.keras.layers.Dense(64,activation='relu',name="D3"),
    tf.keras.layers.Dense(32,activation='relu',name="D4"),
    tf.keras.layers.Dense(16,activation='relu',name="D5"),
    tf.keras.layers.Dense(1,activation='relu',name="D6")
])