为什么我们在将数据输入 tensorflow 之前将其展平？

Question

我正在关注udacity MNIST 教程，而 MNIST 数据最初是28*28矩阵。然而，在提供该数据之前，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)。
200000 行（数据）。每个数据为28*28矩阵

他们将其转换为形状为 (200000, 784) 的训练集

有人可以解释为什么他们在提供给 tensorflow 之前将数据展平吗？

Answer 1

因为当你添加一个全连接层时，你总是希望你的数据是一个（1 或）2 维矩阵，其中每一行都是代表你的数据的向量。这样，全连接层只是您的输入（大小(batch_size, n_features)）和权重（形状(n_features, n_outputs)）（加上偏置和激活函数）之间的矩阵乘法，您会得到形状的输出(batch_size, n_outputs)。另外，你真的不需要全连接层中的原始形状信息，所以丢失它也可以。

如果不先整形就得到相同的结果会更复杂，效率也会更低，这就是为什么我们总是在全连接层之前这样做。相反，对于卷积层，您需要将数据保留为原始格式（宽度、高度）。