Python tf.输入占位符中具有动态形状的变量

我试图建立一个网络，我的要求是隐藏的单位形状应该根据输入的形状，以便用户可以给任何长度的输入。我想做的是：

import tensorflow as tf

n_hidden_1=100
input_ = tf.placeholder(name='input_data',shape=[None,None],dtype=tf.float32)
variable_data = tf.Variable(tf.random_normal([tf.shape(input_)[1], n_hidden_1]))

bias_ = tf.Variable(tf.random_normal([n_hidden_1]))

output = tf.matmul(input_,variable_data)+bias_

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    print(sess.run(output,feed_dict={input_:[[1,2,3,4,5]]}))

我想要

variable\u data=tf.variable（tf.random\u normal（[tf.shape（input\u）[1]，n\u hidden\u 1]））

来自输入占位符的形状，但它给出了一个错误。这就是我尝试这种方法的原因：

variable_data = tf.Variable(tf.random_normal([tf.shape(input_)[1], n_hidden_1]),validate_shape=False)

但我又犯了另一个错误：

InvalidArgumentError: You must feed a value for placeholder tensor 'input_data_7' with dtype float and shape [?,?]
     [[Node: input_data_7 = Placeholder[dtype=DT_FLOAT, shape=[?,?], _device="/job:localhost/replica:0/task:0/device:CPU:0"]()]]

---

如何从变量形状的占位符中获取形状int。

A

tf.variable

不能真正具有动态形状，因为它对它们的用途没有意义。在tensorflow中，变量是指通常通过SGD进行优化的模型参数。在优化过程中，您通常假设成本函数及其定义的空间在每一步都不会发生变化。不这样做——特别是以随机、非计划的方式——将导致定义不清的优化问题

但是，您可以使用一个变量，当第一个示例出现时，我们在运行时延迟其（静态）形状的定义。您就快到了：您只需将示例提供给

全局变量\u初始值设定项

，它将变量初始化为正确的形状和值：

import tensorflow as tf


n_hidden_1=100
input_ = tf.placeholder(name='input_data',shape=[None,None],dtype=tf.float32)
variable_data = tf.Variable(tf.random_normal([tf.shape(input_)[1], n_hidden_1]), validate_shape=False)

bias_ = tf.Variable(tf.random_normal([n_hidden_1]))

output = tf.matmul(input_,variable_data)+bias_

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer(), feed_dict={input_:[[1,2,3,4,5]]})
    print(sess.run(output, feed_dict={input_:[[1,2,3,4,5]]}))

将tensorflow导入为tf
n_隐藏_1=100
输入=tf.placeholder（name='input_data'，shape=[None，None]，dtype=tf.float32）
变量数据=tf.variable（tf.random\u normal（[tf.shape（input）[1]，n\u hidden\u 1]），验证\u shape=False）
偏差=tf.变量（tf.随机正常（[n\u隐藏1]））
输出=tf.matmul（输入、变量数据）+偏差_
使用tf.Session（）作为sess：
run（tf.global_variables_initializer（），feed_dict={input_:[[1,2,3,4,5]}）
打印（sess.run（输出，提要={input\[[1,2,3,4,5]}））