Keras/Machine Learning: Tous les avantages et les inconvénients d'aplatissement des données d'entrée vs ayant une entrée de dimension supérieure?

Question

Je suis la formation d'un modèle qui prend deux 300d vecteurs de mot comme entrée. Je prévoyais à l'origine de fournir un vecteur 600d comme données d'entrée.

Cependant, j'ai remarqué sur la page de jeux de données Keras: http://keras.io/datasets/

Ils utilisent des données d'entrée de dimensions supérieures au lieu d'aplatir l'entrée. Par exemple, ils représentent une image avec des dimensions RBG 32x32: (3, 32, 32)

dois-je faire une entrée (2.300) ou une entrée (1600)? Est-ce que ça importe?

Answer 1

Il importe si et seulement si votre modèle est un modèle spatial. Des exemples typiques impliquent des réseaux de neurones convolutionnels. Sinon, si aucun module basé sur l'espace n'est utilisé, les données seront aplaties en interne de toute façon.