Tensorflow：构建批量大小在维度 1 上变化的图？

Question

我正在尝试在 Tensorflow 中构建一个 CNN 模型，其中批次中的所有输入形状相同，但批次之间的输入在维度 1 上有所不同（即小批量大小相同，但小批量形状不同）。

为了更清楚地说明这一点，我有各种值 N 的数据 (Nx23x1)，我首先按升序排序。在每批（50 个样本）中，我对每个样本进行零填充，以便每个 N_i 等于其小批量中的最大 N。现在我已经为批量输入定义了 Tensorflow 占位符：

input = tf.placeholder(tf.float32, shape=(batch_size, None, IMAGE_WIDTH, NUM_CHANNELS))

我在输入占位符中使用“无”，因为在批次之间，该值会有所不同，即使在批次中它不会。在运行我的训练代码时，我使用 feed_dict 来传递教程中定义的输入值（numpy 矩阵）。

我的 CNN 代码接受了这个输入；但是，这是我遇到问题的地方。尝试在完全连接的层之前展平输入时出现 ValueError。它试图展平阵列，但其中一个维度仍然是“无”。于是我尝试了：

length = tf.shape(input)[1]
reshaped = tf.reshape(input, [batch_size, length, IMAGE_WIDTH, NUM_CHANNELS])

但该值仍然是“无”，并且在最初尝试构建图表时遇到了问题。我的 FC 层（在展平中）在构建权重和偏置张量时明确采用了“input_to_layer.get_shape()[1]”，但它无法处理 None 输入。

我完全不知道如何进行！非常感谢您的帮助，谢谢:)

## 编辑##

Danevskyi 在下面指出，这可能是不可能的。如果不是全连接层，我想在整个标题上进行池化（即对于从前一个卷积层输出的 1024 个大小为 (D) 的平面过滤器，我想通过均值池化创建一个 1024 维向量呢？在每个过滤器的长度 D 上）？ 1D Global Avg Pooling 可以做到这一点吗？同样在批次之间，D 的值会有所不同......

## 更新##

来自 tflearn (tflearn.layers.conv.global_avg_pool) 的全局平均池化方法不需要指定的窗口大小，它使用完整的输入维度，因此即使与 TensorFlow 中未知的“无”维度也兼容。

Answer 1

没有办法做到这一点，因为您想为每个不同的批次使用不同形状的矩阵（对于全连接层）。

一种可能的解决方案是使用全局平均池化（沿所有空间维度）来获得形状为 (batch_size, 1, 1, NUM_CHANNELS) 的张量，而不考虑第二个维度。

Answer 2

您可以指定可变形状的占位符并使用它们来存储可变长度的批次。如果您查看 TensorFlow 的基本 MNIST 教程，他们使用以下行作为输入数据占位符 x = tf.placeholder(tf.float32, [None, 784]) 在形状列表中，784 是单个 MNIST 图像的大小（展平为 1D），但 None 是批量大小.这是教程的链接 https://www.tensorflow.org/get_started/mnist/beginners所以你可以看看剩下的代码