我正在使用 Theano 进行分类（卷积神经网络）
以前，我一直使用（展平）图像的像素值作为 NN 的特征。现在，我想添加其他功能。
有人告诉我，我可以将附加特征的向量连接到展平的图像特征，然后将其用作全连接层的输入，但我遇到了麻烦。
首先，这是正确的方法吗？
这是一些代码片段和我的错误：
类似于他们网站上提供的示例，但有一些修改
（来自构建模型的类）
# allocate symbolic variables for the data
self.x = T.matrix('x') # the data is presented as rasterized images
self.y = T.ivector('y') # the labels are presented as 1D vector of [int] labels
self.f = T.matrix('f') # additional features
下面，变量v和rng是先前定义的。重要的是layer2_input：
layer2_input = self.layer1.output.flatten(2)
layer2_input = T.concatenate([layer2_input, self.f.flatten(2)])
self.layer2 = HiddenLayer(rng, input=layer2_input, n_in=v, n_out=200, activation=T.tanh)
（来自训练的班级）
train_model = theano.function([index], cost, updates=updates,
givens={
model.x: train_set_x[index * batch_size: (index + 1) * batch_size],
model.y: train_set_y[index * batch_size: (index + 1) * batch_size],
model.f: train_set_f[index * batch_size: (index + 1) * batch_size]
})
但是，调用 train_model 时出现错误：
ValueError: GpuJoin: Wrong inputs for input 1 related to inputs 0.!
Apply node that caused the error: GpuJoin(TensorConstant{0}, GpuElemwise{tanh,no_inplace}.0, GpuFlatten{2}.0)
Inputs shapes: [(), (5, 11776), (5, 2)]
Inputs strides: [(), (11776, 1), (2, 1)]
Inputs types: [TensorType(int8, scalar), CudaNdarrayType(float32, matrix), CudaNdarrayType(float32, matrix)]
输入形状是否分别代表x、y和的形状f？
如果是这样，第三个似乎是正确的（batchsize=5, 2 个额外特征），但为什么第一个是标量而第二个是矩阵？
更多细节：
train_set_x.shape = (61, 19200) [61 flattened images (160x120), 19200 pixels]
train_set_y.shape = (61,) [61 integer labels]
train_set_f.shape = (61,2) [2 additional features per image]
batch_size = 5
我有正确的想法还是有更好的方法来实现这一点？关于我为什么会出错的任何见解？