鉴于基本位图 s 和一组可能的超级位图 s1 ，...， sN ，如何训练TensorFlow计算这些过剩的概率分布的图表？
每个位图 sK 可以由同一网络作为单个输入处理，以提供表示其可能性的实际值，然后可以通过softmax层映射以给出概率分布。
然而，手动执行此操作并不允许使用反向传播和实现优化器，并且它甚至不能保证它会接受可变长度的输入和输出。
这甚至可能吗？输入和输出张量似乎必须在批量维度上具有固定大小的appart。
答案 0 :(得分：0)
如果我理解正确，你有一个基本位图 s 并且你想要模拟序列 s1 ， s2 的分布，...， sN 。
这可以使用序列标记RNN模型来实现，您可以在其中模拟序列的概率分布 s1 ， s2 ，...， SN 即可。但要对 s 进行调整，可以将 s 的特征向量连接到序列中的每个输入。因此，在时间步 t 时，RNN的输入向量将是 s_t 和 s 的特征向量的连接，并且在softmax之后，预期的输出应该是 s_t + 1 （即损失应该是这样的。例如，可以使用交叉熵损失。）
可以很好地使用可变长度序列。 Tensorflow始终与占位符的多个维度无，即在运行图形期间可变大小。因此，随着可变批量大小，您可以很好地拥有可变长度序列。