Python 如何为tensorflow批处理输入？

我正在尝试将我正在研究的神经网络的输入批量处理在一起，这样我就可以像tensorflow MNIST教程中那样将它们输入tensorflow。然而，我找不到做这件事的方法，教程中也没有介绍

input = tf.placeholder(tf.float32, [10, 10])
...
accuracy = tf.reduce_mean(tf.cast(correct, tf.float32))
inputs = #A list containing 50 of the inputs
sess.run(accuracy, feed_dict={input: inputs})

这将引发以下错误：

ValueError: Cannot feed value of shape (50, 10, 10) for Tensor'Placeholder:0', which has shape '(10, 10)'

我理解为什么会出现上述错误，我只是不知道如何让tensorflow将我的输入作为一批输入来处理，而不是认为我试图将其作为一个形状来输入

---

非常感谢您的帮助

在调用tf.reduce\u mean（）时，您必须以不同的方式设置输入，以形成[batch\u size，10,10]，并使用参数

reduce\u index

。另外，

tf.contrib.learn.read\u batch\u examples（）

将负责使用批处理队列对示例进行批处理，请参阅文档

您需要修改占位符的签名。让我们分析一下错误消息：

ValueError: Cannot feed value of shape (50, 10, 10) for 
Tensor'Placeholder:0', which has shape '(10, 10)'

您的

输入

变量是具有形状

（50,10,10）

的变量，这意味着

50

形状

（10,10）

元素，而张量

占位符：0

是您的

输入

变量。如果打印（input.name），您将获得值

占位符：0

。 无法输入值表示它无法将

输入分配给
输入

第一个快速解决方案是将占位符
input
的形状固定到

input = tf.placeholder(tf.float32, [50, 10, 10])

但每次要修改批大小时，都需要更新输入中的批大小。
指定批次大小的更好方法是使用
None
为批次大小设置未定义的形状维度：

input = tf.placeholder(tf.float32, [None, 10, 10])

这将适用于任何批量大小，从
1
到您的体系结构的硬件限制。
非常感谢[None，10，10]这正是我想要的。这实际上是在教程中，它只是没有点击我的脑袋，这就是它的目的。非常感谢！！