TFP线性回归yhat=模型（x_tst）-不适用于其他数据

Question

我看不出我正在做的事情和我正在遵循的谷歌TFP示例的结构有什么不同。我做错了什么/我应该做不同的事情吗？

[设置：Win 10 Home 64位20H2，Python 3.7，TF2.4.1，TFP 0.12.2，在Jupyter Lab中运行]

我一直在以TFP概率层回归为例逐步构建模型。案例1代码运行正常，但我的并行模型运行不正常，我看不到可能导致这种情况的差异

yhat = model(x_tst)

若要在消息中失败，则层顺序_14的输入0与层：：expected min_ndim=2不兼容，发现ndim=1。收到完整形状：（2019，）（这是x_tst的正确1D尺寸）

作为比较：谷歌的TFP示例加载数据集函数返回y，x，x_tst，它们都是大小为150的np.ndarray，而我使用pandas.read_csv从csv文件中读取数据，将其拆分为train_和test_数据集，然后从训练数据集中获取1列数据作为自变量“g”和因变量“redz”。

我知道x，y等需要是np.ndarray，但不能直接创建ndarray，所以我有。。。

x = np.array(train_dataset['g'])
y = np.array(train_dataset['redz'])
x_tst = np.array(test_dataset['g'])

其中x，y，x_tst都是一维的-就像TFP示例一样。

模型本身运行

model = tf.keras.Sequential([
  tf.keras.layers.Dense(1),
  tfp.layers.DistributionLambda(lambda t: tfd.Normal(loc=t, scale=1)),
])

# Do inference.
model.compile(optimizer=tf.optimizers.Adam(learning_rate=0.01), loss=negloglik)
model.fit(x, y, epochs=1, verbose=False);

（当绘制时，给出了谷歌数据的预期输出-我还不知道）：

但是，根据示例，当我试图通过执行yhat=model（x_tst）来“获利”时，我得到了上面给出的尺寸误差。

怎么了？

（如果我尝试mode.predict，我认为我在TFP中遇到了一个已知的bug/gap；那么它将无法断言）

更新-显式重塑解决问题

来自恐怖时代的暗示导致了进一步的调查：x_tst有形状（2019年）

通过x_tst=x_tst.rehape（2019,1）重新整形解决了该问题。TF的要求是否不一致，或者是否有充分的理由要求明确的最终尺寸1？谁知道呢。至少现在可以做出预测了。

Answer 1

在这个问题中，numpy.array形状（R，1）和（R，）之间的区别，OP询问（R，）和（R，1）之间的区别，但给出的答案没有解决这个具体问题。

同样，在这个问题中，numpy中的这些数组形状之间也存在差异

我相信答案就在Numpy词汇表中，它说（n，）

括号中的数字后跟逗号表示一个元组中有一个元素。尾随逗号区分单元素元组和带括号的n。

它自然地呼应了这里关于元组的Python语句

因此，形状数组（R，）是一个元组，将数组描述为具有一定范围R的1D，其中添加逗号以区分元组（R，）和非元组（R）。

然而，对于一维数组，没有行或列排序的意义；（R，1）是R行乘以1列，但是（1，R）将是R列的1行，尽管这对1D迭代器来说并不重要，它或者html" target="_blank">迭代器没有正确识别（，）并认为它是2D。（即，我不知道该部分的技术细节，但这些似乎是解释该行为的唯一选项。）

这个问题与Tensorflow中张量定义中出现的大小不确定性无关。在Tensorflow的上下文中，张量（数组）可能具有不确定的形状，因此当处理发生时，可以沿特定轴添加更多数据，例如成批添加，在这种情况下，初始张量形状包括一个前导无，以指示数组扩展预计发生的位置。（参见此处的张量形状）