Python 无法在TensorFlow中转换部分转换的张量

TensorFlow中有许多方法需要指定形状，例如：

tf.truncated_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None)

我有一个占位符用于输入shape[None，784]，其中第一个维度是None，因为批量大小可能会变化。我可以使用固定的批量大小，但它仍然与测试/验证集大小不同

---

我无法将此占位符馈送到tf.normal，因为它需要完全指定的张量形状。让tf.truncated_normal接受不同的张量形状的简单方法是什么？

您只需要将其作为一个单独的示例输入，但要以批处理的形式输入。这意味着在形状上增加一个额外的尺寸，例如

batch_size = 32 # set this to the actual size of your batch
tf.truncated_normal((batch_size, 784), mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None)

这样它将“适合”占位符

如果希望更改批次大小，还可以使用：

tf.truncated_normal(tf.shape(input_tensor), mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None)

---

输入张量可以是一个占位符，也可以是任何张量都会增加噪音的地方。

我对一个假设的解决方案非常感兴趣，因为我已经寻找了一段时间。你能扩展一下假设的解决方案吗，它与这里有什么不同？可能会提出一个新的SO问题？我没有看到你的编辑，效果很好。我不知道tf.shape（）@DanielSlater如果输入张量的形状是[None]？@Munichong，只要调用tf.shape（输入张量），它就会工作。