我想训练一个可以改变数组大小的数据。例如，假设我们希望训练句子。第一句话是“我是约翰”，第二句是“我知道”。如果句子转换成张量。第一件事会变成[“我”，“上午”，“约翰”]，下一个将会是[“我”，“知道”]。因此，第一个数组需要3个n_input作为占位符的形状。但是，第二个阵列需要2个。如何在非确定性数组大小的占位符中设置形状
x = tf.placeholder("float", [None, n_input])
y = tf.placeholder("float", [None, n_classes])
我需要上述代码来定义占位符。但是，我无法确定n_input。
此外，形状中的无是什么意思？ BATCH_SIZE？ 请帮帮我。
从技术上说，占位符根本不需要形状。它可以被定义为这样。
x =tf.placeholder(tf.float32, shape=[])
在这种情况下，占位符本身没有形状信息。如果您知道张量的尺寸，但不是实际的数字形状，我们用None替换该尺寸的数值，因为它可以具有可变尺寸。
x =tf.placeholder(tf.float32, shape=[None, None, None])
这会影响到一些下游的静态形状分析认为tensorflow确实获得形状信息，但否则按预期应该仍然工作。
谢谢。我有一个转置问题。在mnist教程中，首先占位符x被设置为[None，n_steps，n_input]，这意味着输入数据数组（batch_size，n_step，n_input，据我所知）。作为mnist教程的下一步，x是[1,0 ，2]。我认为x数组将被转换为（n_step，batch_size，n_input）。我的问题是为什么转置是需要的。 – hackartist
我不确定你指的是哪个mnist教程。请你提供一个链接？如果问题已解决，请将其标记为已完成 – Steven
@hackartist此转置在RNN-MNIST教程中完成，因为rnn函数需要n_step x [batch_size，n_input]的列表，这在TensorFlow API但是如果你使用“newer”dynamic_rnn函数，那么这个换位就不再需要了。 – bsautermeister
在像您这样的场景中，我们通常会将第二维（time_steps或输入长度）设置为常数（例如句子的最大长度），并且直接使用填充或零填充空格。然后你可以设置占位符为：
x = tf.placeholder(tf.int32, [None, max_input_steps])
y = tf.placeholder(tf.int32, [None, nax_output_steps])
你的问题还不清楚。似乎你想使用循环神经网络来训练可变长度的序列，但你似乎有点丢失，也许你可以开始使用Tensorflow教程？ – jean
可变输入大小的方法并不常见。如果您的数据在形状上非常多样化，请考虑使用RNN（如上面提到的牛仔裤）或尝试使用缩放/填充，但它不是文本处理的好方法。 –
请仔细阅读文档，您会发现“形状：要输入张量的形状（可选）。如果没有指定形状，可以输入任何形状的张量。” – lerner