Python Tensorflow形状的多变量非线性诊断张量（无，输出维数，输出维数，输出维数）给定形状的μ和σ（无，3）

所以我试图用多元非线性诊断法，得到多元高斯张量

我想为mu和sigma参数提供两个形状张量（None，3），如下所示

dist = tf.contrib.distributions.MultivariateNormalDiag(mu, sigma)

这样我就可以提供一组点，在这种情况下

dim_range = [float(i) for i in range(0, max_size)]
points = [[a,b,c] for a in dim_range for b in dim_range for c in dim_range]

并检索一组密度正态分布在μ周围的点，如下所示：

gauss_tensor = tf.reshape(
    dist.pdf(points), 
    shape=(None, output_dim, output_dim, output_dim)
)

例如，mu和sigma有形状（3，）和输出形状（output_dim，output_dim，output_dim），如果三维可视化，我们得到

对于输出_dim=16，以半随机方式选择mu和sigma，以显示每个维度的方差。可以找到一个完整的工作示例，以及一个我试图实现的示例[编辑：对于1.0以后的版本，dist.pdf（points）需要更改为dist.prob（points）]

但是，如果对未知大小的批尝试相同的方法，例如输出将是（无、输出大小、输出大小、输出大小），则在解决问题的不同方法下，所有内容都会崩溃，并出现不同的、不一致的错误消息

是否有人知道如何在不同的批次大小中实现这一点，其中每个批次元素在一批mu和一批sigma中都有相应的mu和sigma

提前感谢：）

---

< P>。朋友指出，1.2的多变量异常函数的功能是不同的。升级Tensorflow并重新调整一些事情解决了问题

mu_placeholder = tf.placeholder(
    dtype=tf.float32,
    shape=(None, None, 3),
    name='mu-tensor')

[编辑：对于mus/SIGMA（无、1、3）也会给出正确的结果]

mu_placeholder = tf.placeholder(
    dtype=tf.float32,
    shape=(None, 1, 3),
    name='mu-tensor')

一个有效的例子是

来完成答案，这是一个已经讨论并修复的相关bug报告