TensorFlow佔位符維度 - 有什麼區別？

Question

新的TensorFlow但我堅持這個佔位符聲明問題。定義佔位符x的區別究竟是什麼：

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

與此相對嗎？

x = tf.placeholder(tf.float32, [None, seq_size, 1]) 

我在矩陣方面想。所以說，假設變量x有10個值，seq_size是3 - 第一個是10x3，第二個是10x3x1。爲什麼tensorflow會以不同的方式考慮它們？

Answer 1

Tensorflow將以不同的方式考慮它的形狀驗證目的。 的矩陣乘法例如具有3×4大小的矩陣將是不可能與第二版本的尺寸1和3不匹配。 Tensorflow將能夠在圖形構建中檢測到這一點。

此外，在代碼可讀性方面，如果將來可能會更改此維度，那麼對於一般理解可能有額外的維度1。舉例來說，如果你的數據點是單變量的時間序列，採用

x = tf.placeholder(tf.float32, [None, seq_size, 1]) 

會更容易到你的結果與維d>1與

x = tf.placeholder(tf.float32, [None, seq_size, d]) 

延伸到多元時間序列的所有代碼已經有了這額外的維度佔了。

Answer 2

x = tf.placeholder(tf.float32, [None, seq_size, 1]) 

這裏'x'是一個佔位符，用於保存[任何東西，seq_size，1]的張量。這對於矩陣運算可以很好地完成，其中一些多維操作可以通過將它們提升到更高維矩陣而容易地執行。

P.S：形狀數組中元素的個數[無，seq_size] & [無，seq_size，1]可以相同。他們可以輕鬆地重塑對方。