Tensorflow tf.zeros（）的动态大小（用于无维度的占位符）

考虑以下代码：

x=tf.placeholder（“float”，shape=[42,4]）
y=tf.零（[42,4]，“浮动”）
xy_堆叠=tf.concat（1，[x，y]）
打印（x.get_shape（））
打印（y.get_shape（））
打印（xy_堆叠。获取_形状（））

这将产生预期的以下输出：

TensorShape（[尺寸（42），尺寸（4）]）
张量形状（[尺寸（42），尺寸（4）]）
张量形状（[尺寸（42），尺寸（8）]）

但是，如果占位符有一个动态维度，该维度在运行时由传递给

feed\u dict=

的值确定，那么该怎么办

x=tf.placeholder（“float”，shape=[None，4]）
y=tf.零（[None，4]，“float”）
xy_堆叠=tf.concat（1，[x，y]）

这将为

tf.zero（[None，4]，“float”）

产生错误。显然

维度（无）

不允许用于

tf.zero

：

TypeError回溯（最近一次调用）
在（）
2.
3 x=tf.占位符（“float”，shape=[None，4]）
---->4 y=tf.零（[None，4]，“float”）
5 xy_堆叠=tf.concat（1，[x，y]）
6.
[...]
/usr/local/lib/python3.4/dist-packages/numpy/core//u methods.py in\u prod（a、axis、dtype、out、keepdims）
33
34 def_prod（a，axis=None，dtype=None，out=None，keepdims=False）：
--->35返回umr_产品（a、轴、数据类型、输出、保持）
36
37 def_any（a，axis=None，dtype=None，out=None，keepdims=False）：
TypeError:不支持*：“NoneType”和“int”的操作数类型

我发现，如果我将零张量的第一个维度设置为非无，则不会产生错误，例如1：

x=tf.placeholder（“float”，shape=[None，4]）
y=tf.零（[1,4]，“浮动”）
xy_堆叠=tf.concat（1，[x，y]）

但随后，生成的

xy\u叠加

张量被截断为以下大小：

TensorShape（[尺寸（无），尺寸（4）]）
张量形状（[尺寸（1），尺寸（4）]）
张量形状（[尺寸（1），尺寸（8）]）

在本例中，如何用零填充占位符张量，以获得形状为

TensorShape（[Dimension（None），Dimension（8）]）

的张量

到目前为止，我发现的唯一“解决方案”如下所示：

x=tf.placeholder（“float”，shape=[None，4]）
y=0*x
xy_堆叠=tf.concat（1，[x，y]）

或者简单地将

y

声明为占位符，并始终传递正确大小的零数组

但这两种方法看起来都不是解决问题的干净方法，在比这个简单示例更复杂的应用程序中，这样的黑客行为很快就会失控

---

我使用的是

tensorflow-0.6.0-py3

制作与另一个张量形状相同的零张量的推荐方法是使用op:

x=tf.placeholder（tf.float32，shape=[None，4]）
y=tf.类零（x）

结果张量

y

的形状似乎是

[None，None]

，根据，但在运行时，它将扩展为与

x

相同的形状：

打印y.获取形状（）
#==>TensorShape（[尺寸（无），尺寸（无）]）
sess=tf.Session（）
y_result=sess.run（y，feed_dict={x:np.random.rand（4，4）}）
打印y_result.shape
# ==> (4, 4)

返回

[None，None]

静态形状，因为形状推断尚未专门用于

tf.zeros\u like（）

。我已经提交了一份申请，应该很快就能解决

---

编辑：在您的评论中，您询问如何处理零张量的形状基于原始张量，但与原始张量不同的情况。这也是可能的，使用和来建立尺寸，并产生零张量：

x = tf.placeholder(tf.float32, shape=[None, 4])

# Use tf.shape() to get the runtime size of `x` in the 0th dimension.
zeros_dims = tf.stack([tf.shape(x)[0], 7])

y = tf.fill(zeros_dims, 0.0)

sess = tf.Session()
y_result = sess.run(y, feed_dict={x: np.random.rand(4, 4)})
print y_result.shape
# ==> (4, 7)

---

像（x）那样的

y=tf.zero会发生什么？@user728291然后我得到了一些形状
TensorShape（[Dimension（None），Dimension（None）]）
为
y
和
xy\u堆叠的
！？如果
x
实际上应该具有与
y
相同的形状，那么我在问题中提到的
0*x
黑客似乎更有意义。在我真正的应用程序中，一切当然都更复杂，我必须通过切片、复制和连接
0*
的结果来构造零张量，以获得我需要的形状张量。如果第二维度不匹配，我该怎么办？例如，我希望
x
具有
shape=[None，4]
和
y
具有
shape=[None，7]
。（在我的应用程序中，这些张量的第二维度是独立的配置参数。我甚至无法提前知道哪个张量更大。）很抱歉在问题中没有提到这一点。更新了我的答案以涵盖您的情况。请注意，在tf 1.x+tf.pack上，已重命名为tf.stack