Python 调用函数中的可变批量大小

我试图用TensorFlow 2实现一个注意力网络。因此，对于每幅图像，我只想看几眼，即图像的一小部分。为此，我从tensorflow.keras.models.Model中实现了一个子类，下面是其中的一个片段

class RecurrentAttentionModel(models.Model):
# ...

def call(self, inputs):

    l = tf.random.uniform((40,2,), minval=0, maxval=1)

    for _ in range(0, self.glimpses):
        glimpse = tf.image.extract_glimpse(inputs, size=(self.retina_size, self.retina_size), offsets=l, centered=False, normalized=True)

        # some other code...
        # update l to take a glimpse somewhere else


    return result           

现在，上面的代码工作和训练都很完美，但我的问题是，我有硬编码的40，我在数据集中定义的批量大小。我无法在call方法中读取/获取批处理大小，因为变量“inputs”的形式为

Tensor（“input\u 1\u 77:0”，shape=（None，250500，1），dtype=float32）

，其中批处理大小的

None

似乎是预期行为。 当我用以下代码初始化l时（没有批处理大小）

它抛出了这个错误

ValueError: Shape must be rank 2 but is rank 1 for 'recurrent_attention_model_86/ExtractGlimpse' (op: 'ExtractGlimpse') with input shapes: [?,250,500,1], [2], [2]

---

我完全理解，但我不知道如何根据批次大小实现初始值。

您可以使用

tf.shape

动态提取批次大小维度

l = tf.random.normal(tf.stack([tf.shape(inputs)[0], 2]), minval=0, maxval=1))

l = tf.random.normal(tf.stack([tf.shape(inputs)[0], 2]), minval=0, maxval=1))