給出畝和形狀的西格瑪形狀（無，output_dim，output_dim，output_dim）的Tensorflow MultivariateNormalDiag張量（無，3）

Question

所以我試圖讓使用MultivariateNormalDiag

多元高斯我想提供的張量形狀的兩個張量（無，3）對μ和sigma參數，像這樣

dist = tf.contrib.distributions.MultivariateNormalDiag(mu, sigma) 

，這樣我可以然後提供一組點，在這種情況下

dim_range = [float(i) for i in range(0, max_size)] 
points = [[a,b,c] for a in dim_range for b in dim_range for c in dim_range] 

並檢索一組密度正態分佈在mu周圍的點，如

gauss_tensor = tf.reshape(
    dist.pdf(points), 
    shape=(None, output_dim, output_dim, output_dim) 
) 

對於單個示例，例如， mu和sigma具有形狀（3）和輸出形狀（output_dim，output_dim，output_dim），並且如果可視化三維地，我們得到

爲output_dim = 16和mu和sigma以半隨機的方式來選擇顯示每個維度的差異。一個完整的工作示例可以發現here和我想要實現的一個示例here [編輯：for 1.0起，dist.pdf（點數）需要更改爲dist.prob（點數）]

但是如果對一批未知大小嚐試使用相同的輸出（None，output_dim，output_dim，output_dim），那麼在解決問題時採用不同的方法，所有內容都會隨着不一致的錯誤消息而崩潰。

有沒有人知道如何做到這一點不同的批量大小，其中每個批次元素在一批mus和一批sigma中有相應的mu和sigma？

在此先感謝:)

p.s.這是使用tensorflow 0.12，但如果有修復1. *我會考慮重建tensorflow

Answer 1

作爲朋友指出，MultivariateNormalDiag的功能是不同的1.2。升級Tensorflow並重新排列某些事物對問題進行排序。

mu_placeholder = tf.placeholder(
    dtype=tf.float32, 
    shape=(None, None, 3), 
    name='mu-tensor') 

[編輯：用於畝/西格瑪（無，1，3）也給出正確的結果]

mu_placeholder = tf.placeholder(
    dtype=tf.float32, 
    shape=(None, 1, 3), 
    name='mu-tensor') 

工作示例是here