图的Tensorflow多输入

这可能是微不足道的。我有一个模型，它采用了一些出列张量

X

X = tf.Tensor(...)
yPred = model(X,...)

现在我想时不时地输入另一个张量

Z

Z = tf.placeholder(...)
yPredZ = model(Z,...)

---

如何在不重新定义子图的情况下执行此操作？

TensorFlow中的馈送机制允许您为任何张量（不仅仅是张量）馈送值，只要它们在形状和元素类型上匹配即可

因此，如果

x

和

z

具有相同的形状，您应该能够编写：

x = ...  # Some dequeued `tf.Tensor`. 
yPred = model(x, ...)

# ...

sess.run(yPred, feed_dict={x: ...})

在某些情况下，您可能希望将具有不同形状的张量馈送到

x

（通常是不太特定的形状，例如具有不同的批量大小维度）。在这些情况下，您可以使用

tf.placeholder\u和\u default（）

创建一个占位符，当您不输入它时，其值默认为

x

：

---

再次感谢。如果

Z

实际上是另一个出列张量呢？也就是说，不是numpy数组之类的。我能以某种方式将其输入吗？目前我正在评估

Z.eval（）

转换为np数组，然后再将其输入。看起来有点乱。嗯，不容易。我假设在所有情况下，您都不想将某个东西出列到

Z

，因此您可能希望使用

tf.cond（）

，将出列操作放在其中一个分支中，并使用

tf.bool

占位符来控制采用

tf.cond（）

的哪个分支。

x = ...  # Some dequeued `tf.Tensor`.

# For example, a shape of `None` means that the shape is completely unconstrained.
# In practice, you will probably want to constrain at least the rank of the
# placeholder to match the rank of `x`.
x_placeholder = tf.placeholder_with_default(x, shape=None)

yPred = model(x, ...)

# ...

sess.run(yPred, feed_dict={x_placeholder: ...})