Question

我是Tensorflow初学者，我正在尝试学习如何使用Tensorflow。我知道我们可以建立一个网络模型并为网络创建一对输入和标签，即

inputs = tf.placeholder(tf.float32, [None, patch_size, patch_size, num_channels], name="inputs")
labels = tf.placeholder(tf.float32, [None, patch_size, patch_size, num_channels], name="labels")
network = build_network(inputs, ...)
optimizer = get_optimizer(labels, ...)
session.run(optimizer, {inputs: input_batch, labels: label_batch})
save.save(session, path)

假设在上述情况下，patch_size为50。

现在，当我们尝试执行测试时，我们可以重复使用上面的一些代码来构建网络模型并运行测试。假设我将补丁大小设置为180.如果我恢复检查点但指定了不同的patch_size来构建网络模型，Tensorflow如何对待它呢？

patch_size=180
inputs = tf.placeholder(tf.float32, [None, patch_size, patch_size, num_channels], name="inputs")
labels = tf.placeholder(tf.float32, [None, patch_size, patch_size, num_channels], name="labels")
network = build_network(inputs, ...)
saver.restore(session, path)
prediction = session.run(network, {inputs:, input_batch})

据我所知，Tensorflow可以接受不同的列车输入尺寸（批量大小50）和测试输入尺寸（批量大小180）。

那么当火车和测试输入尺寸不同时，Tensorflow如何在内部进行预测输出？
可以使用不同的输入尺寸吗？
使用不同的输入尺寸是否有任何优点或缺点？

Answer 1

TensorFlow不需要静态知道所有尺寸。如果静态地知道大小，则可以对各种内部优化和检查有所帮助，但通常不是必需的。 Tensorflow不会预测＆＃34;尺寸。给定一个特定的输入（在session.run()中）它只运行操作。操作＆＃39;内核可能需要静态知道某些大小，但也可以使用某些大小仅在运行时可用。
一般来说，是的。如果你没有看到任何错误，你应该是好的。此规则有一些例外，其中TensorFlow不会给您一个明确的错误，但它可能不符合您的预期。例如，如果您使用static_rnn但输入不同长度的输入，则会用零填充并运行所有RNN步骤。这是记录在案的，并且有一个dynamic_rnn变体，您可以在其中传递sequence_length。
一般情况下，静态知识越多，您可能获得的性能越好，但这种情况差别很大。我建议您先默认为最方便的东西。如果你觉得它应该更快，你可以投资它试图均匀化你的图形并指定尽可能多的尺寸。通常，TensorFlow在形状推断方面表现相当不错。只要您指定占位符大小，通常可以推断其余大小。如果需要，可以通过查询某个中间张量的形状来检查这个。

Tensorflow：是否可以使用不同的列车输入大小和测试输入大小？

1 个答案: