3

我需要在我的内部创建一个随机变量model_fn()，具有形状[batch_size, 20]。

我不想batch_size作为参数传递，因为那样我就不能使用不同的批量大小进行预测。

删除与此问题无关的部分，我的 model_fn() 是：

def model(inp, out):
    eps = tf.random_normal([batch_size, 20], 0, 1, name="eps"))) # batch_size is the 
    # value I do not want to hardcode

    # dummy example
    predictions = tf.add(inp, eps)
    return predictions, 1

如果我替换[batch_size, 20]为inp.get_shape()，我得到

ValueError: Cannot convert a partially known TensorShape to a Tensor: (?, 20)

运行时myclf.setup_training()。

如果我尝试

def model(inp, out):
    batch_size = tf.placeholder("float", [])
    eps = tf.random_normal([batch_size.eval(), 20], 0, 1, name="eps")))

    # dummy example
    predictions = tf.add(inp, eps)
    return predictions, 1

我得到ValueError: Cannot evaluate tensor using eval(): No default session is registered. Use了 sess.as_default() or pass an explicit session to eval(session=sess)（可以理解，因为我没有提供 feed_dict）

如何访问batch_sizeinside的值model_fn()，同时在预测期间保持能够更改它？

4

1 回答 1

2

Tensor.get_shape()我不知道和之间的区别tf.shape(Tensor)。后者有效：

eps = tf.random_normal(tf.shape(inp), 0, 1, name="eps")))

正如 Tensorflow 0.8 FAQ 中提到的：

如何构建适用于可变批量大小的图表？

构建一个适用于可变批量大小的图通常很有用，例如，相同的代码可以用于（小）批量训练和单实例推理。生成的图形可以保存为协议缓冲区并导入另一个程序。

在构建可变大小图时，要记住的最重要的事情是不要将批量大小编码为 Python 常量，而是使用符号张量来表示它。以下提示可能有用：

使用 batch_size = tf.shape(input)[0] 从名为 input 的 Tensor 中提取批量维度，并将其存储在名为 batch_size 的 Tensor 中。

使用 tf.reduce_mean() 代替 tf.reduce_sum(...) / batch_size。

如果您使用占位符来提供输入，您可以通过使用 tf.placeholder(..., shape=[None, ...]) 创建占位符来指定可变批次尺寸。形状的 None 元素对应于可变大小的维度。

于 2016-04-29T12:37:16.017 回答