Question

我正在使用TensorFlow中的3D点云数据训练模型。我的批处理大小为64，因此TensorFlow希望收到64个3D点的批处理，例如：（64,1024,3）。当我运行训练代码时：

feed_dict = {ops['points_pl']: augmented_data,
                     ops['labels_pl']: current_label[start_idx:end_idx],
                     ops['w_pl']: gmm.weights_,
                     ops['mu_pl']: gmm.means_,
                     ops['sigma_pl']: np.sqrt(gmm.covariances_),
                     ops['is_training_pl']: is_training, }
        summary, step, _, loss_val, pred_val = sess.run([ops['merged'], ops['step'],
                                                         ops['train_op'], ops['loss'], ops['pred']],
                                                        feed_dict=feed_dict)

在最后一批中，因为剩余数据少于64，我收到此错误：

 ValueError: Cannot feed value of shape (36, 1024, 3) for Tensor 'Placeholder_4:0', which has shape '(64, 1024, 3)'

当尝试小于64的批处理时，我尝试手动添加数据，但这会显着降低性能。当我将批处理大小设置为1,2,4时，它可以正常工作，但运行速度非常慢。如何有效地解决这个问题？ TF是否有办法识别这种情况并继续训练而不会出错？

Answer 1

您不需要精确定义批次尺寸的大小。相反，您将None作为该尺寸的大小。您可以定义占位符，例如：

n1 = 1024
n2 = 3
ops['points_pl'] = tf.placeholder(tf.float32, [None, n1, n2]) 
ops['labels_pl'] = tf.placeholder(tf.float32, [None])

然后，

Tensorflow将允许您馈入这些占位符数组，而对第一维没有任何限制。这解决了最终批次的问题，并且在推断期间（当您可能希望将模型应用于与批次大小不同的输入数量时）也很有用。

无法为Tensor占位符提供形状的值

1 个答案: