假设你(10,4)是一个不代表10个长度序列的矩阵（你将需要一个LSTM）或一个图像（你将需要一个2D CNN），那么你可以简单地flatten()将输入矩阵传递给下几个稠密层，如以下。
from tensorflow.keras import layers, Model
inp = layers.Input((10,4)) #none,10,4
x = layers.Flatten()(inp) #none,40
x = layers.Dense(256)(x) #none,256
out = layers.Dense(3)(x) #none,3
model = Model(inp, out)
model.summary()
Layer (type) Output Shape Param #
=================================================================
input_43 (InputLayer) [(None, 10, 4)] 0
_________________________________________________________________
flatten_1 (Flatten) (None, 40) 0
_________________________________________________________________
dense_82 (Dense) (None, 256) 10496
_________________________________________________________________
dense_83 (Dense) (None, 3) 771
=================================================================
Total params: 11,267
Trainable params: 11,267
Non-trainable params: 0
我尝试了此操作，但是由于某种原因它对我不起作用。
data.shapeTensorShape（[10，4]）x = tf.keras.layers.Flatten()(data)x = tf.keras.layers.Dense(256)(x)x = tf.keras.layers.Dense(3)(x)x.shapeTensorShape（[10，4]）它确实有效，我不好。显然Flatten（）层对矩阵没有任何作用，因为它期望第一个维度为批处理大小。如果我使用model.fit（data），它将在内部添加批次大小作为维度（我认为），并按照您的描述工作。