Блог

Я пытаюсь выполнить свертку по переменным входным размерам. Для достижения этой цели я использую размер пакета 1. Однако один из узлов является максимальным объединяющим узлом, которому требуется форма ввода в виде списка ksize :

  pooled = tf.nn.max_pool(
                h,
                ksize=[1, self.input_size - filter_size   1, 1, 1],
                strides=[1, 1, 1, 1],
                padding='VALID',
                name="pool")
  

Теперь, очевидно, что input_size может быть выведен из ввода (который является заполнителем):

 self.input_x = tf.placeholder(tf.int32, [None, None], name="input_x")
  

Но я не могу использовать self.input_x.get_shape()[0] , потому что форма является динамической. Поэтому я намерен передавать входной размер как feed_dict на каждом шаге. Однако я не могу понять, как передать целое число в feed_dict. Каждый заполнитель является тензором, поэтому, если я:

 self.input_size = tf.placeholder(tf.int32, shape=(), name="input_size")
  

Мне нужно было бы сделать self.input_size.eval() , чтобы получить значение int, которое выдает мне ошибку, которую мне нужно передать input_size . Я предполагаю, что это происходит потому, что eval запускает вычисление ДО того, как произойдет этап обучения, и в этот момент для input_size нет значения.

Есть ли способ, которым я могу динамически получить op, который вычисляет форму входных данных, или способ передать целое число на шаг обучения?

Я не уверен, что это лучший способ, но вы можете динамически получать форму self.input_x в списке с помощью :

 input_shape = tf.unpack(tf.shape(self.input_x))
  

tf.shape(self.input_x) дайте вам тензор, представляющий форму self.input_x и f.unpack преобразуйте его в список тензоров.

Теперь вы можете создать свой максимальный узел объединения с :

 pooled = tf.nn.max_pool(
                h,
                ksize=tf.pack([1, input_size[1] - filter_size   1, 1, 1]),
                strides=[1, 1, 1, 1],
                padding='VALID',
                name="pool")
  

(если вам нужно 2-е измерение input_x)