TensorFlow：tf.placeholder和tf.Variable - 爲什麼不需要該維度？

我從例子中善於學習TensorFlow：https://github.com/aymericdamien/TensorFlow-Examples/blob/master/notebooks/2_BasicModels/linear_regression.ipynb TensorFlow：tf.placeholder和tf.Variable - 爲什麼不需要該維度？

我在下面的代碼中的幾個問題：當定義佔位符和變量，如X，Y，W，和b，爲什麼沒有我們需要指定它們的維度？代碼如何分配內存而不知道這些佔位符/變量的大小？謝謝！

# tf Graph Input 
    X = tf.placeholder("float") 
    Y = tf.placeholder("float") 

    # Set model weights 
    W = tf.Variable(rng.randn(), name="weight") 
    b = tf.Variable(rng.randn(), name="bias") 


    # Construct a linear model 
    pred = tf.add(tf.mul(X, W), b)

來源

2016-12-27 Edamame

TensorFlow的tf.placeholder()張量不要求你指定的形狀，爲了讓您送不同形狀的張量在以後的tf.Session.run()電話。默認情況下，佔位符的形狀完全不受限制，但可以通過傳遞可選的shape參數來限制它。例如：

w = tf.placeholder(tf.float32)      # Unconstrained shape 
x = tf.placeholder(tf.float32, shape=[None, None]) # Matrix of unconstrained size 
y = tf.placeholder(tf.float32, shape=[None, 32]) # Matrix with 32 columns 
z = tf.placeholder(tf.float32, shape=[128, 32])  # 128x32-element matrix

當您創建佔位符時，TensorFlow不會分配任何內存。相反，當您提供佔位符時，在調用tf.Session.run()時，TensorFlow將爲輸入（隨後爲任何必需的中間值）分配適當大小的內存。

請注意，tf.Variable對象通常在創建時需要形狀，並且此形狀是從第一個參數推斷到初始值設定項的。在您的程序中，rng.randn()（numpy.random.randn()的別名）將返回標量值，因此變量W和b將具有標量形狀。

儘管在你的代碼（X和Y）有不受約束的形狀，一些運營商，如tf.add()和tf.mul()，有關於他們的論據形狀的附加要求（即他們與NumPy broadcasting rules兼容）的佔位符。由於TensorFlow不知道何時建立圖表的實際形狀，它相信用戶知道他們在做什麼，並動態執行檢查（在調用tf.Session.run()期間）。相反，如果您限制佔位符的形狀，則可以先啓用TensorFlow執行一些檢查，然後執行此操作可以幫助減少錯誤。

來源

2016-12-27 22:28:19 mrry

謝謝！可變情況如何？ – Edamame

剛纔看到你也在問這個......我更新了答案來解釋。 – mrry

當我讀取代碼在https://github.com/aymericdamien/TensorFlow-Examples/blob/master/notebooks/2_BasicModels/linear_regression.ipynb在我看來，變量W是一個數組，而不是標量。我理解錯了嗎？謝謝！ – Edamame

TensorFlow：tf.placeholder和tf.Variable - 爲什麼不需要該維度？

回答

相關問題