为什么 tf 操作只能在任意函数中工作？

Question

当我构建一系列张量时， 的操作函数tensorflow，例如tf.transpose(~)或tf.split(~)返回错误。

代码

window = 60

len_feat= 15

X = tf.placeholder(tf.float32, shape=[None, window, len_feat]

X = tf.transpose(X, (1,0,2))

tf.Session().run(X, feed_dict={X: x}) #x has a shape (100, 60, 15)

错误

"shape (100, 60, 15) can't be reshaped into (60, ?, 15)"

但是，如果我构建一个任意函数，例如：

X = tf.placeholder(tf.float32, shape=[None, window, len_feat])

def fun(X):

    X = tf.transpose(X, (1,0,2))

    ...

它运作良好。是什么造成这种差异？

Answer 1

在第一个片段中，您将通过转置的结果覆盖占位符。这不再是占位符。请注意，它feed_dict允许您替换任何张量的值，而不仅仅是占位符。但是，因为您的占位符的形状为 [None, 60, 15]，所以转置的形状为 [60, None, 15]。因此，形状为 [100, 60, 15] 的数据无法放入此张量中，因为第一个维度不匹配。您可以通过重命名变量来简单地修复第一个片段。例如window = 60len_feat= 15X = tf.placeholder(tf.float32, shape=[None, window, len_feat]Y = tf.transpose(X, (1,0,2))tf.Session().run(Y, feed_dict={X: x}) #x has a shape (100, 60, 15)这应该工作得很好。由于局部变量和全局变量之间的区别，您定义函数的第二个示例可能会起作用。很难说，因为你没有提供完整的代码。