我正在尝试在Tensorflow中训练自动编码器。但是，这种自动编码器只是我的体系结构的一部分。我想要以下工作流程：
输入图像->上游处理的数据->馈入自动编码器->使用编码的图像输出及其渐变。
换句话说，我想要整个编码操作的梯度，包括上游数据处理，而不需要输入图像数据。
我也想自己训练我的自动编码器。因此，我认为我可以将输入图像制作为echo "random1:random2:random3:random4:randomN" | awk -F":" '{print (NF>1)? $1 : ""}'
echo "random1:random2:random3:random4:randomN" | sed 's/:.*//'
echo "random1:random2:random3:random4:randomN" | cut -d ":" -f1
类型的自动编码器。我的想法是，我可以将上游数据处理直接连接到默认的自动编码器输入中，但也可以允许用户传递训练数据进行训练。
因此，我将自动编码器的输入构造如下：
tf.placeholder_with_default我的自动编码器涉及多个input_x = tf.Variable(tf.zeros(dtype=tf.float32, shape=[1, 60, 200, 3])) #Will be fed in from upstream, for now, zeros is just for testing
self.x = tf.placeholder_with_default(input_x, shape=[None, 60, 200, 3], name='camera') #images are 200 x 60 with 3 channels; x is the input to the autoencoder
的调用。不幸的是，当我尝试使用此设置进行训练时，出现以下错误：
tf.nn.conv2d当我将代码更改为：
InvalidArgumentError (see above for traceback): Conv2DSlowBackpropInput: input and out_backprop must have the same batch sizeinput batch: 1outbackprop batch: 32 batch_dim: 0
我没问题。
我要正确使用self.x = tf.placeholder(tf.float32, shape=[None, 60, 200, 3], name='camera')
吗？是什么导致错误？ （我可以提供更多代码，但如果可能的话，不希望发布我的整个AE）。
答案 0 :(得分：0)
尝试将您的input_x声明替换为：
input_x =np.zeros([1, 60, 200, 3], dtype=np.float32)