混淆張量流feed_dict的工作原理

Question

最近開始使用tensorflow，我對feed_dict的功能非常困惑。

望着從tensorflow網站MNIST例子，x是一個象徵性的佔位符，將充滿了新一批的每個訓練迭代的圖片，因此「無」在這裏也可能是「的batch_size」

x = tf.placeholder(tf.float32, shape=[None, 784]) 

在本教程的卷積部分看時

，有從它的扁平1x784形狀回2D圖像28x28形狀

x_image = tf.reshape(x, [-1,28,28,1]) 

訓練循環期間

是重塑X的命令時，x爲通過命令供給

train_step.run(feed_dict={x: batch[0], y_: batch[1], keep_prob: 0.5}) 

我的問題是，當我們向x輸入數值時，tensorflow會自動將每個涉及x的操作向量化嗎？因此，例如，當我們定義操作時，

h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1) 

這會自動在整個批次中工作嗎？

如果x是ndarray，每行都是一個扁平化圖像，因爲我們在x佔位符tensorflow中指定了形狀'None'會自動知道將每一行用作單獨的訓練樣本，並矢量化所有後續操作？

Answer 1

shape參數用於靜態形狀推斷（即，tensor.get_shape）並且是可選的。 TensorFlow不會自動矢量化任何東西，但對於二進制cwise操作，它使用broadcasting，看起來有點像這樣。在你的例子中，tf.conv2d是一個將每一行作爲例子的操作，因此它可以與批處理一起使用，但不適用於單個例子。另外batch[0]是一批輸入，而batch[1]是一批標籤。