什么是 Tensorflow 中占位符的迭代？答案

【问题标题】：What is iteration over placeholder in Tensorflow?什么是 Tensorflow 中占位符的迭代？
【发布时间】：2018-05-16 17:15:11
【问题描述】：

我得到了以下（伪）代码from doc：

words_in_dataset = tf.placeholder(tf.float32, [time_steps, batch_size, num_features])
...
for current_batch_of_words in words_in_dataset:

但是我们如何迭代占位符呢？

【问题讨论】：

标签： python tensorflow iterator

【解决方案1】：

你不能，除非你有eager execution，它本质上是动态评估事物。在您的情况下，这只是伪代码，尽管它只是一种误导性的伪代码，它只是暗示了算法如何遍历给定单词数据集中的批次。

【讨论】：

【解决方案2】：

占位符仅适用于会话图模式。它们在 Eager 模式下不可用，这没有意义。占位符用于将张量提供给图形，因为您不构建图形，首先不需要占位符。

就迭代占位符和伪代码而言，伪代码仅显示我们将实现的算法。

要遍历占位符，您将执行以下操作：

import tensorflow as tf
X = tf.placeholder(dtype=tf.float32, shape=[5])
with tf.Session() as sess:
    for i in range(5):
        print(sess.run(X[i], feed_dict={X : [1,2,3,4,5]}))

那么输出将是：

1.0

2.0

3.0

4.0

5.0

切片规则与numpy数组相同。

【讨论】：

【解决方案3】：

由于每个批次都必须在time steps 中拆分，您可以这样做：

for current_batch_of_words in tf.unstack(words_in_dataset,axis=0):

示例代码，

# Set LSTM params

time_steps = 3
num_features = 5
batch_size = 2

#Input placeholder
words_in_dataset = tf.placeholder(tf.float32, [time_steps, batch_size, num_features])

lstm= tf.contrib.rnn.BasicLSTMCell(num_units=10)

# Initial state of the LSTM memory.
hidden_state, current_state = basic_cell.zero_state(batch_size, dtype=tf.float32)
state = hidden_state, current_state

# Create a loop of N LSTM cells, N = time_steps.
outputs = []
for current_batch_of_words in tf.unstack(words_in_dataset,axis=0):

    # The value of state is updated after processing each batch of words.
    output, state= lstm(current_batch_of_words, state)
    outputs.append(output)

【讨论】：