我正在尝试将张量从[A, B, C, D]重塑为[A, B, C * D]并将其输入到dynamic_rnn中。假设我事先不知道B，C和D(它们是卷积网络的结果)。
我认为在Theano中，这种重塑应如下所示:
x = x.flatten(ndim=3)
似乎在TensorFlow中没有简单的方法可以做到这一点，到目前为止，这是我想到的:
x_shape = tf.shape(x)
x = tf.reshape(x, [batch_size, x_shape[1], tf.reduce_prod(x_shape[2:])]
即使在图形构建期间知道
x的形状的情况下(即print(x.get_shape())打印出绝对值，例如在重塑[10, 20, 30, 40]变成get_shape()之后的[10, None, None]。再次，仍然假设初始形状未知，所以我不能使用绝对值进行操作。当我将
x传递给dynamic_rnn时，它失败了:ValueError: Input size (depth of inputs) must be accessible via shape inference, but saw value None.
为什么
reshape无法处理这种情况？在TensorFlow中使用等级4和更高的张量复制Theano的flatten(ndim=n)的正确方法是什么？ 最佳答案
这不是reshape的缺陷，而是tf.dynamic_rnn的局限性。
您用来平整最后两个维度的代码是正确的。而且，reshape的行为也正确:如果在定义展平操作时最后两个维度是未知的，那么它们的乘积也是未知的，并且None是此时唯一可以返回的值。
罪魁祸首是tf.dynamic_rnn，它期望在构造过程中具有完全定义的特征形状，即，必须知道除第一个(批大小)和第二个(时间步长)以外的所有尺寸。也许这有点不幸，但是当前的实现似乎不允许具有可变数量特征的RNN(如FCN)。