Tensorflow：在占位符中引入不同大小的矩阵

Posted 2023-03-05

【中文标题】Tensorflow：在占位符中引入不同大小的矩阵

【英文标题】：Tensorflow: introducing a matrix of different size in a placeholder

【发布时间】：2016-10-02 08:06:33

【问题描述】：

我正在尝试使用矩阵乘法的张量流进行简单的操作，但我必须使用其列的可变大小的矩阵（如下例所示）

import tensorflow as tf

input1 = tf.placeholder("float", [None,None]) 
    input2 = tf.placeholder(tf.float32) 
    output = tf.mul(input1, input2)

with tf.Session() as sess:   
    print(sess.run([output], feed_dict=input1:[[1,2],[3,4,5]], input2:[2.]))

问题是，一旦我这样做了，我会收到一条错误消息告诉我：

ValueError: 使用序列设置数组元素。

我知道这很容易解决，在第一行添加任何数字或 None（以产生 mxn 形状），但是我想为实验训练更大的数据，我不确定 0 是否会影响数据或不是。

【问题讨论】：

如果你想让input2也是一个矩阵，你应该写：input2 = tf.placeholder(tf.float32, [None, None])

谢谢，但实际上我不希望那个变成矩阵，我主要指的是 input1 的可变大小，目前 Tensorflow 无法轻松操作它，但无论如何谢谢。跨度>

【参考方案1】：

tf.placeholder() 操作为密集张量定义了一个占位符，因此您必须定义您尝试提供的值中的所有元素。

另一种方法（在最新版本的 TensorFlow 中，如果您从源代码构建或下载每晚发布的版本可用）是使用 tf.sparse_placeholder() 操作，它允许您使用 tf.SparseTensorValue 提供 tf.SparseTensor。这允许您表示一个对象，其中并未定义所有元素，但未定义的元素被解释为零。

请注意，TensorFlow 对稀疏数据和可变大小示例的支持仍处于初步阶段，并且大多数操作（如 tf.mul()）目前仅针对密集张量定义。我们用于可变大小图像数据的另一种方法是在input pipeline 中一次处理一个（可变大小）记录，然后将其转换为恒定形状，然后使用batching functions 制作一个单个密集批次。

【讨论】：

谢谢，这是我一直在寻找的一个很好的答案。您能否向我解释一下有关替代方法的更多信息？我认为工作会很酷