Question

我正在通过以下示例学习TensorFlow：https://github.com/aymericdamien/TensorFlow-Examples/blob/master/notebooks/2_BasicModels/linear_regression.ipynb

我在下面的代码中有几个问题：在定义占位符和变量（如X，Y，W和b）时，为什么我们不需要指定它们的维度？在不知道这些占位符/变量的大小的情况下，代码如何分配内存？谢谢！

    # tf Graph Input
    X = tf.placeholder("float")
    Y = tf.placeholder("float")

    # Set model weights
    W = tf.Variable(rng.randn(), name="weight")
    b = tf.Variable(rng.randn(), name="bias")


    # Construct a linear model
    pred = tf.add(tf.mul(X, W), b)

Answer 1

TensorFlow的tf.placeholder()张量不需要您指定形状，以便您在以后的tf.Session.run()调用中提供不同形状的张量。默认情况下，占位符具有完全不受约束的形状，但您可以通过传递可选的shape参数来约束它。例如：

w = tf.placeholder(tf.float32)                      # Unconstrained shape
x = tf.placeholder(tf.float32, shape=[None, None])  # Matrix of unconstrained size
y = tf.placeholder(tf.float32, shape=[None, 32])    # Matrix with 32 columns
z = tf.placeholder(tf.float32, shape=[128, 32])     # 128x32-element matrix

创建占位符时，TensorFlow不会分配任何内存。相反，当您向占位符提供内容时，在调用tf.Session.run()时，TensorFlow将为输入（以及随后的任何必要的中间）张量分配适当大小的内存。

请注意，tf.Variable个对象在创建时通常需要一个形状，并且这个形状是从初始化器的第一个参数推断出来的。在您的计划中，rng.randn()（numpy.random.randn()的别名）会返回标量值，因此变量W和b将具有标量形状。

虽然代码中的占位符（X和Y）具有不受约束的形状，但某些运算符（例如tf.add()和tf.mul()）对此有其他要求他们的论点形状（即他们与NumPy broadcasting rules兼容）。由于TensorFlow不知道您何时构建图形，这些张量的实际形状将是什么，它相信用户知道他们在做什么，并动态执行检查（在调用tf.Session.run()期间）。相反，如果你限制占位符的形状，你可以让TensorFlow更早地执行一些检查，这样做可以帮助减少错误。

TensorFlow：tf.placeholder和tf.Variable - 为什么不需要维度？

1 个答案: