Tensorflow，将变量更新为任意形状

所以，根据documentation，我们可以使用tf.assign和validate_shape = False来改变形状。它确实改变了变量内容的形状，但是你可以从get_shape（）得到的形状不会被更新。例如：Tensorflow，将变量更新为任意形状

>>> a = tf.Variable([1, 1, 1, 1]) 
>>> sess.run(tf.global_variables_initializer()) 
>>> tf.assign(a, [[1, 1, 1, 1, 1, 1, 1], [1, 1, 1, 1, 1, 1, 1]], validate_shape=False).eval() 
array([[1, 1, 1, 1, 1, 1, 1], 
     [1, 1, 1, 1, 1, 1, 1]], dtype=int32) 
>>> a.get_shape() 
TensorShape([Dimension(4)])

这是很烦人的，该网络的后来层立足于该变量的get_shape（）值，它们的形状。所以，即使实际的形状是正确的，Tensorflow会抱怨尺寸不匹配。那么关于如何更新每个变量的“相信”形状的任何想法？

来源

2017-05-25 Steven Li

set_shape也许？ –

'set_shape'将尝试根据现有的形状信息进行验证。当_creating_变量时，我会设置'validate_shape = False'，在这种情况下，静态形状信息将完全未知（如果需要，可以使用'set_shape'对其进行优化）。 –

我会试一试。谢谢！ –

简而言之：使用set_shape来更新变量的静态形状。

你能理解什么是阅读TF FAQ回事：

在TensorFlow，张量既有静态（推断）的形状和动态（真）的形状。可以使用方法来读取静态形状：该形状从用于创建张量的操作推断，并且可能部分完成。如果静态形状没有完全定义，张量的动态形状可以通过评估tf.shape(t)来确定。

因此，静态形状没有被正确推断，你应该给TF一个提示。幸运的是，从同FAQ接下来的几行告诉你该怎么做：

的tf.Tensor.set_shape方法更新张量对象的静态形状，它通常用于提供额外的形状，当信息这不能直接推断。它并不改变张量的动态形状。

来源

2017-05-27 08:22:22

由于validate_shape设置为false，因此变量的静态形状不会在图形中自动更新。一个方法是将其设置为新的形状（已知）

a = tf.Variable([1, 1, 1, 1], validate_shape=False) 
sess.run(tf.global_variables_initializer()) 
new_arr_assign = np.array([[1, 1, 1, 1, 1, 1, 1], [1, 1, 1, 1, 1, 1, 1]]) 
tf.assign(a, new_arr_assign, validate_shape=False).eval(session=sess) 
a.set_shape(new_arr_assign.shape) 
a.get_shape() 
# results: TensorShape([Dimension(2), Dimension(7)])

来源

2017-08-10 19:45:31

Tensorflow，将变量更新为任意形状

回答

相关问题