混淆张量流feed_dict的工作原理

Question

最近开始使用tensorflow，我对feed_dict的功能非常困惑。

望着从tensorflow网站MNIST例子，x是一个象征性的占位符，将充满了新一批的每个训练迭代的图片，因此“无”在这里也可能是“的batch_size”

x = tf.placeholder(tf.float32, shape=[None, 784]) 

在本教程的卷积部分看时

，有从它的扁平1x784形状回2D图像28x28形状

x_image = tf.reshape(x, [-1,28,28,1]) 

训练循环期间

是重塑X的命令时，x为通过命令供给

train_step.run(feed_dict={x: batch[0], y_: batch[1], keep_prob: 0.5}) 

我的问题是，当我们向x输入数值时，tensorflow会自动将每个涉及x的操作向量化吗？因此，例如，当我们定义操作时，

h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1) 

这会自动在整个批次中工作吗？

如果x是ndarray，每行都是一个扁平化图像，因为我们在x占位符tensorflow中指定了形状'None'会自动知道将每一行用作单独的训练样本，并矢量化所有后续操作？

Answer 1

shape参数用于静态形状推断（即，tensor.get_shape）并且是可选的。 TensorFlow不会自动矢量化任何东西，但对于二进制cwise操作，它使用broadcasting，看起来有点像这样。在你的例子中，tf.conv2d是一个将每一行作为例子的操作，因此它可以与批处理一起使用，但不适用于单个例子。另外batch[0]是一批输入，而batch[1]是一批标签。