如何用张量流改变帧来生成CNN模型？

Question

我想在Tensorflow中建立一个有条件的CNN模型，但是我遇到了一些麻烦。

假设有一个名为矩阵特征具有形状[64，...，50，1]和命名条件具有形状的另一矩阵[64，...，1，130]。

fisrt dim是批次大小，第二个dim暗指帧号（这两个矩阵的dim中的值在每批中相同，但在不同批次中不同）。第三个是特征尺寸，最后一个dim是通道编号。

我想Concat的两个矩阵，这意味着我们可以得到一个矩阵形状[64？，50，131]，并做conv2d在tensorflow。

但问题是，我不能concat这两个矩阵，因为在第三个昏暗的差异。然后我做了如下：

x_shapes = x.get_shape() 
    y_shapes = y.get_shape() 
    return tf.concat(3, [x, y*tf.ones([x_shapes[0], x_shapes[1], x_shapes[2], y_shapes[3]])]) 

但它不工作，因为第二个昏暗是未知的。

我不知道有什么办法可以解决这个问题吗？

感谢

Answer 1

虽然它不是从你的问题清楚，它看起来像要广播与形状[64, ?, 1, 130]在第三维的第二张，你叫特征尺寸的一个，您连接之前。请注意，tf.concat需要匹配的所有维度，除了您要连接的维度。从tf.concat文档：

输入张量必须匹配，并且除了concat_dim所有 尺寸的维数必须相等。

要沿特征维度进行广播，使用tf.tile而不是像您所做的那样乘以全部张量要便宜得多。这里是你将如何使用tf.tile：

tf.concat(3, [x, tf.tile(y, [1, 1, x_shapes.as_list()[2], 1])]) 

在你的情况，因为y第三维是静态已知的，上面的代码工作。如果不是这种情况，就可以形成的第二个参数tf.tile如下：

tf.tile(y, tf.concat(0, [[1], [1], tf.shape(x)[2:3], [1]]))