对tensorflow feed_dict如何工作感到困惑

Question

最近开始使用tensorflow，我对feed_dict的功能感到困惑。

查看tensorflow网站上的mnist示例，x是一个符号占位符，每次训练迭代都会填充一批新图像，所以'None'也可以是'batch_size'

x = tf.placeholder(tf.float32, shape=[None, 784])

在查看本教程的卷积部分时，有一个命令可以将x从其展平的1x784形状重塑为2D图像28x28形状

x_image = tf.reshape(x, [-1,28,28,1])

在训练循环期间，x通过命令

输入

train_step.run(feed_dict={x: batch[0], y_: batch[1], keep_prob: 0.5})

我的问题是当我们将值输入x时，张量流是否会自动向量化每个涉及x的操作？例如，当我们定义op

时

h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1)

这会在整个批次中自动生效吗？

如果x是ndarray，每行都是一个展平图像，因为我们在x占位符中指定了形状'None'，tensorflow会自动知道将每一行用作单独的训练样本，并对所有后续操作进行矢量化吗？

Answer 1

shape参数用于静态形状推断（即tensor.get_shape）并且是可选的。 TensorFlow不会自动向量化任何内容，但对于二进制cwise操作，它使用broadcasting看起来有点像。在您的示例中，tf.conv2d是一个将每行视为一个示例的操作，因此它适用于批处理，但不适用于单个示例。另外batch[0]是一批输入，batch[1]是一批标签。