TensorFlow 输入一个整数

Question

我正在尝试对可变输入大小进行卷积。为了实现这一点，我使用了 1 的批量大小。但是，其中一个节点是一个最大池节点，它需要输入的形状作为列表 ksize：

 pooled = tf.nn.max_pool(
                h,
                ksize=[1, self.input_size - filter_size + 1, 1, 1],
                strides=[1, 1, 1, 1],
                padding='VALID',
                name="pool")

现在，显然 input_size 可以从输入（这是一个占位符）中推断出来：

self.input_x = tf.placeholder(tf.int32, [None, None], name="input_x")

但我不能使用self.input_x.get_shape()[0]，因为形状是动态的。所以我打算在每一步将输入大小作为 feed_dict 传递。但是，我不知道如何在 feed_dict 中传递一个整数。每个占位符都是张量，所以如果我这样做：

self.input_size = tf.placeholder(tf.int32, shape=(), name="input_size")

我必须执行 self.input_size.eval() 才能获得 int 值，这给了我一个错误，我需要输入 input_size。我猜这是因为 eval 在训练步骤发生之前触发了计算，此时 input_size 没有值。

有没有一种方法可以动态获取计算输入形状的操作，或者有一种方法可以将整数传递给训练步骤？

Answer 1

我不确定这是不是最好的方法，但您可以在列表中动态获取 self.input_x 的形状：

input_shape = tf.unpack(tf.shape(self.input_x))

tf.shape(self.input_x) 为您提供一个表示 self.input_x 形状的张量，f.unpack 将其转换为张量列表。

现在您可以使用以下命令创建最大池节点：

pooled = tf.nn.max_pool(
                h,
                ksize=tf.pack([1, input_size[1] - filter_size + 1, 1, 1]),
                strides=[1, 1, 1, 1],
                padding='VALID',
                name="pool")

（如果您需要 input_x 的第二维）