TensorFlow占位符维度 - 区别是什么？

Question

TensorFlow的新功能，但我仍然坚持这个占位符声明问题。将占位符x定义为：

之间的区别究竟是什么？

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

与此相反？

x = tf.placeholder(tf.float32, [None, seq_size, 1])

我在思考矩阵方面。所以说，假设变量x被输入10个值，而seq_size是3 - 第一个给出10x3而第二个给出10x3x1。为什么tensorflow会以不同的方式考虑它们？

Answer 1

Tensorflow将在形状验证方面对其进行不同的考虑。 由于尺寸1和3不匹配，因此第二个版本将无法使用尺寸为3x4的矩阵进行矩阵乘法。 Tensorflow将能够在图形构造中检测到它。

此外，在代码可读性方面，如果将来可能更改此维度，则有一般理解可能有额外的维度1。例如，如果您的数据点是单变量时间序列，请使用

x = tf.placeholder(tf.float32, [None, seq_size, 1])

可以更轻松地将结果扩展到维度为d>1的多变量时间序列

x = tf.placeholder(tf.float32, [None, seq_size, d])

因为所有代码都已经考虑了这个额外的维度。

Answer 2

x = tf.placeholder(tf.float32, [None, seq_size, 1])

这里＆＃39; x＆＃39;是一个占位符来保持大小的张量[任何东西，seq_size，1]。这对于矩阵运算是有利的，其中一些多维运算可以通过将它们上层到更高维矩阵而容易地执行。

P.S：形状数组中的元素数量[无，seq_size]＆amp; [None，seq_size，1]可以是相同的。它们可以很容易地相互重塑。