对 tensorflow feed_dict 的工作方式感到困惑

Question

最近开始使用 tensorflow，我对 feed_dict 的功能感到非常困惑。

查看 tensorflow 网站上的 mnist 示例，x 是一个符号占位符，每次训练迭代都会填充一批新的图像，所以这里的“None”也可以是“batch_size”

x = tf.placeholder(tf.float32, shape=[None, 784])

在查看本教程的卷积部分时，有一个命令可以将 x 从扁平的 1x784 形状重新整形为 2D 图像 28x28 形状

x_image = tf.reshape(x, [-1,28,28,1])

在训练循环期间，x 通过命令输入

train_step.run(feed_dict={x: batch[0], y_: batch[1], keep_prob: 0.5})

我的问题是，当我们向 x 输入值时，tensorflow 会自动向量化每个涉及 x 的操作吗？所以例如当我们定义 op 时

h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1)

这将自动在整个批次中起作用？

如果 x 是 ndarray 且每一行都是扁平图像，因为我们在 x 占位符 tensorflow 中指定形状“None”会自动知道将每一行用作单独的训练样本，并对所有后续操作进行矢量化？

Answer 1

shape 参数用于静态形状推断（即tensor.get_shape）并且是可选的。 TensorFlow 不会自动对任何东西进行矢量化，但对于二进制 cwise ops，它使用看起来有点像的broadcasting。在您的示例中，tf.conv2d 是将每一行视为示例的操作，因此它适用于批处理，但不适用于单个示例。还有batch[0]是一批输入，batch[1]是一批标签。