【发布时间】：2016-07-08 20:12:36
【问题描述】：
考虑神经网络中每一层的批次维度似乎有点麻烦。为什么我们在 Tensorflow 中没有一些功能可以为整个模型设置批量大小？
【问题讨论】：
标签： tensorflow tensorflow-serving
【发布时间】：2016-07-08 20:12:36
【问题描述】：
在 tensorflow 中，您不必考虑批量大小。
在MNIST Tutorial 中解释了 tensorflow 如何处理各种大小的批次。
引用教程：
x = tf.placeholder(tf.float32, shape=[None, 784])
y_ = tf.placeholder(tf.float32, shape=[None, 10])
输入图像 x 将由浮点数的二维张量组成。这里我们给它分配了[None, 784]的形状，其中784是单个扁平化MNIST图像的维度，None表示第一个维度，对应于batch size，可以是任意大小。 em>
【讨论】：
-
我理解这部分。我知道批量大小不需要提前设置。但是，每一层的变量仍然带有批量大小维度，在模型中编写所有内容时，您总是需要担心这个维度，尤其是对于重塑。我说的是一个变量根本不带有这个维度的场景，但在最后，你说，为批次中的每个样本复制相同的图表。这可以节省很多复杂性。
-
Tensorflow 是一个通用计算框架。有些操作执行批量操作，有些没有批量大小的概念。后者的示例包括 matmul 和所有各种元素操作，如 tanh 和张量加法。这些只是遵循类似 numpy 的广播规则。要求每个操作处理批次实际上会限制 tensorflow api 并使开发新操作更加复杂。