Python TensorFlow占位符维度-什么'；有什么区别？

TensorFlow是新手，但我被这个占位符声明问题困住了。将占位符x定义为：

x = tf.placeholder(tf.float32, [None, seq_size])

与此相反?

x = tf.placeholder(tf.float32, [None, seq_size, 1])

---

我是用矩阵来思考的。假设变量x有10个值，seq_size为3，第一个值为10x3，第二个值为10x3x1。为什么TysFooad会以不同的方式考虑它们呢？

> PrasFLUE将对形状验证目的考虑不同。 例如，第二个版本不可能使用大小为3x4的矩阵进行矩阵乘法，因为尺寸1和3不匹配。Tensorflow将能够在图形构造时检测到这一点

另外，在代码可读性方面，如果这个维度将来可能会更改，那么对一般理解来说，使用额外的维度1可能会更好。例如，如果数据点是单变量时间序列，则使用

x = tf.placeholder(tf.float32, [None, seq_size, 1])

将更容易将结果扩展到维度

d>1的多变量时间序列

x = tf.placeholder(tf.float32, [None, seq_size, d])

因为所有的代码都已经考虑了这个额外的维度

x = tf.placeholder(tf.float32, [None, seq_size, 1])

这里的“x”是一个占位符，用来容纳大小为[任何东西，大小为1]的张量。这适用于矩阵运算，其中一些多维运算可以通过向上封装到更高维矩阵来轻松执行

注意：形状[None，seq_size]和[None，seq_size，1]的数组中的元素数量可以相同。它们可以很容易地相互重塑