Python 如何在tensorflow中将数据重塑为无？

我正在使用tensorflow运行队列在培训期间提供数据：

X, Y = tf.train.batch(
           [image, label], 
           batch_size=64 
       )

然而，X，Y具有[64,32,32,3]和[64,10]的强制形状。在评估期间，我希望在整个测试集上运行loss操作，该测试集的维度为：[10000,32,32,3]和[10000,10]。我会在session.run（）中使用feed_dict属性用我的值覆盖X，Y，但是它们的形状不兼容

我能不能让tensorflow忘记第一维度，也就是重塑[64,32,32,3]->[None,32,32,3]？或者是否有其他选项可供我用另一个值替换X，Y

---

整个数据集足够小，可以放入内存，因此我使用与

中类似的方法。这有点微妙：在TensorFlow术语中，您实际上不想重塑张量（即更改每个维度中的元素数量），而是希望TensorFlow“忘记”特定维度，以提供具有一系列大小的值

op旨在支持这种情况。它接受一个默认输入，在您的情况下，它将是下一个训练批（shape

[64，…]

）；以及一个形状，在您的情况下，该形状与输入的形状相同，第一个维度设置为

None

。然后，您可以向该占位符提供任意批量大小的值

下面是一个如何使用它的示例：

X_batch, Y_batch = tf.train.batch([image, label], batch_size=64)

# Alternatively, `X_shape = [None, 32, 32, 3]`
X_shape = tf.TensorShape([None]).concatenate(X_batch.get_shape()[1:])
# Alternatively, `Y_shape = [None, 10]`
Y_shape = tf.TensorShape([None]).concatenate(Y_batch.get_shape()[1:])

# Create tensors that can be fed with a less specific shape
# than `X_batch`, `Y_batch`.
X = tf.placeholder_with_default(X_batch, shape=X_shape)
Y = tf.placeholder_with_default(Y_batch, shape=Y_shape)

---

这太完美了，正是我想要的！不过还有一个问题。当我使用feed_dict时，由于整个dict无法安装到GPU上，我可以使用设备放置CPU进行内存分配吗？我的大部分计算会在GPU上运行吗？