Question

我正在尝试在Tensorflow中构建CNN模型，其中批次中的所有输入都是相同的形状，但是在批次之间，输入在尺寸1中变化（即，小批量大小相同但小批量形状不是）。

为了更清楚，我有各种值N的数据（Nx23x1），我先按升序排序。在每批（50个样本）中，我对每个样本进行零填充，以使每个N_i等于其小批量中的最大N.现在我已为批输入定义了Tensorflow占位符：

input = tf.placeholder(tf.float32, shape=(batch_size, None, IMAGE_WIDTH, NUM_CHANNELS))

我在输入占位符中使用'None'，因为批次之间此值会有所不同，即使在批处理中它也不会。在运行我的训练代码时，我使用feed_dict传入输入值（numpy矩阵），如教程中所定义。

我的CNN代码接受此输入;然而，这是我遇到问题的地方。尝试在完全连接的图层之前展平输入时，我得到一个ValueError。它试图压平数组，但其中一个维度仍为“无”。所以我试过了：

length = tf.shape(input)[1]
reshaped = tf.reshape(input, [batch_size, length, IMAGE_WIDTH, NUM_CHANNELS])

但是值仍然是'无'，我在尝试最初构建图时遇到问题。我的FC层（以及展平）在构建权重和偏置张量时明确接受'input_to_layer.get_shape（）[1]'，但它无法处理None输入。

我很遗憾如何继续！非常感谢帮助，谢谢:)

##编辑##

Danevskyi在下面指出，这可能是不可能的。如果不是完全连接的层，我想在整个标题上表示池（即对于从先前的转换层输出的1024个平面过滤器的大小（D，）），我想通过平均池来创建1024-dim向量超过每个过滤器的长度D）？ 1D Global Avg Pooling可以实现这一目标吗？在批次之间，D的值会有所不同......

##更新##

来自tflearn（tflearn.layers.conv.global_avg_pool）的全局平均池方法不需要指定的窗口大小，它使用完整的输入维度，因此它与TensorFlow中未知的“无”维度兼容。

Answer 1

没有办法做到这一点，因为你想为每个不同的批次使用不同形状的矩阵（对于完全连接的层）。

一种可能的解决方案是使用全局平均合并（沿所有空间维度）获得形状-DbuildVersion=""的张量，而不管第二维。

Answer 2

您可以指定变量形状占位符并使用它们来存储可变长度批次。如果你查看TensorFlow的基本MNIST教程，他们使用以下行作为输入数据占位符x = tf.placeholder(tf.float32, [None, 784])在形状列表中，784是单个MNIST图像的大小（展平为1D），但是没有是批量大小。这是教程的链接 https://www.tensorflow.org/get_started/mnist/beginners所以你可以查看代码的其余部分

Tensorflow：构建图表，批量大小在维度1中变化？

2 个答案: