为什么在输入tensorflow之前需要将数据扁平化？

Question

我正在遵循优达学城MNIST教程，MNIST数据最初是一个28*28矩阵。但是在将数据提供给神经网络之前，他们将数据展平为具有784列的一维数组(784 = 28 * 28)。

例如，原始训练集形状为(200000, 28, 28)。
其中200000行（数据），每个数据都是28*28矩阵。

他们将其转换为形状为(200000, 784)的训练集。

有人能解释一下为什么在提供给tensorflow之前要展平数据吗？

- aerin

---

你的链接以localhost开头，你应该修复它。 - gdelab

谢谢。现在已经修复了。 - aerin

发送给tensorflow之前，您不必将其压平。您可以在Tensorflow中进行压平。 - Anton Codes

Answer 1

因为当您添加完全连接的层时，您总是希望您的数据是一个(1或)2维矩阵，其中每行都是代表您数据的向量。这样，完全连接的层就是输入(大小为(batch_size, n_features))和权重(形状为(n_features, n_outputs))(加上偏置和激活函数)之间的矩阵乘法，并且您会得到形状为(batch_size, n_outputs)的输出。此外，在完全连接的层中，您确实不需要原始形状信息，因此可以失去它。

如果没有先进行重新整形，要获得相同结果将更加复杂且效率较低，这就是为什么我们总是在完全连接的层之前这样做的原因。相反，在卷积层中，您将希望保留数据的原始格式(宽度、高度)。

- gdelab

Answer 2

这是完全连接层的一种约定。完全连接层将前一层中的每个节点与后续层中的每个节点相连接，因此这种层次结构的局部性不是问题。

此外，通过这样定义层，我们可以通过计算公式 f(Wx + b) = y 来高效地计算下一步。在多维输入情况下，这将不会如此容易实现，而重新整形输入是低成本且易于完成的。

- Thomas Pinetz