张量流中的动态批量大小答案

【问题标题】：Dynamic batch size in tensorflow张量流中的动态批量大小
【发布时间】：2019-04-24 15:03:14
【问题描述】：

我已经使用 tesnorflow 构建了一个分类器。我从图像生成提案区域，这些提案由我的分类器单独分类。

我的问题是在评估我的模型时我没有恒定的批量大小。因为每张图片都有不同数量的proposal，所以每张图片要评估的proposal数量不是恒定的。

现在我已将批量大小设置为 1，但这效率低下并且限制了我的分类器的处理速度。

下面是模型输入的占位符

self.image_op = tf.placeholder(tf.float32, shape=[batch_size, 48, 48, 3], name='input_image')

这就是我将输入提供给模型的方式

def predict(self,image):
    cls_prob = self.sess.run([self.cls_prob], feed_dict={self.image_op: image})
    return cls_prob

有没有什么方法可以将批量大小设置为动态值，而不必为每个图像恢复模型？

【问题讨论】：

尝试使用 self.image_op = tf.placeholder(tf.float32, shape=[None, 48, 48, 3], name='input_image')。它应该采用可变的批量大小
这行得通。谢谢！

【解决方案1】：

你可以简单地设置tf.Variable(validate_shape=False)

这将禁用迭代中的形状验证，因此您将能够使用动态批量大小。

由于 tf.placeholder 正在被贬值，你不应该使用它，但如果你仍然想使用 tf.placeholder 那么你需要禁用 TF 2.x 行为

import tensorflow.compat.v1 as tf
tf.disable_v2_behavior()

【讨论】：