问题描述
我需要将池化模块输入到LSTM解码器，然后使用定制层构造该模块，并将编码器LSTM状态和Keras输入层作为输入。在此自定义层中，我需要分散对索引的更新：
updates: <tf.Tensor --- shape=(None,225,5,32) dtype=float32>
indices: <tf.Tensor --- shape=(None,225) dtype=int32>
使用tf.scatter_nd创建一个具有shape = {None，960，5，32）的张量，如下所示：
tf.scatter_nd(tf.expand_dims(indices,2),updates,shape=[None,960,32])
但是问题在于这样做会由于形状为nonetype而引起错误，并且我不想在其中声明batch_size，因为它是Keras层并且只能在学习过程中确定。在这种状态下，代码的工作版本是这样的：
tf.scatter_nd(tf.expand_dims(indices,shape=[960,32])
>>> <tf.Tensor 'ScatterNd_4:0' shape=(960,32) dtype=float32>
已忽略输出中的batch_size。
有没有其他方法可以代替tf.scatter_nd来构建所需的输出张量，还是可以使其正常工作？
解决方法
暂无找到可以解决该程序问题的有效方法，小编努力寻找整理中！
如果你已经找到好的解决方法，欢迎将解决方案带上本链接一起发送给小编。
小编邮箱:dio#foxmail.com (将#修改为@）