TensorFlow 形状和类型推断

Question

我了解到我可以通过修改来自 protobuf 的 JSON 来对 TensorFlow 进行编程。参见

如果我修改此 JSON，有时我会遇到问题，我需要手动编辑 JSON 以传播各种输入和输出的正确形状。有没有办法让 TF 自动为我执行此操作，以便我可以通过占位符指定输入，然后自动传播形状和类型？

Answer 1

如果您知道要进行哪些类型的修改，则可以从占位符中删除该形状信息。不确定性会自动传播。例如：

import tensorflow as tf
placeholder = tf.placeholder(dtype=tf.float32, shape=[None])
derived = (placeholder / 3)[1:, None]
print(placeholder.get_shape(), derived.get_shape())

打印：

(TensorShape([Dimension(None)]), TensorShape([Dimension(None), Dimension(1)]))

因此placeholder的长度不会保存静态形状信息。您甚至可以拥有未知等级的张量。

Re-computing 静态形状是一个诱人的想法，但目前不支持，因为图形构造可能依赖于静态形状信息。例如：

placeholder = tf.placeholder(dtype=tf.float32, shape=[2])
if placeholder.get_shape()[0].value % 2 == 0:
    derived = placeholder
else:
    derived = tf.concat(0, [placeholder, [0]])

这不是推荐的图形构建技术（将 tf.shape 与 cond 结合使用要好得多），但它确实发生了。不幸的是，这种 static-shape-conditional 图结构没有在 meta-graph 中捕获。

TensorFlow 形状和类型推断

TensorFlow Shape and Type Inference

json

protocol-buffers

tensorflow