Tensorflow 如何使用TF.train.shuffle_batch构建训练和推理的TF图？

上下文：卷积自动编码器

我使用tf将输入张量和输出张量添加到图中。将张量添加到集合（）中

---

在推理过程中，我调用tf.get_collections（）来提取这些节点，然后调用sess.run（）。它说形状固定在[512,32,32,3]，我如何解决这个问题？

一个可能的解决方案是使用op来放松输入op上的形状要求。例如：

input_batch = tf.train.shuffle_batch(..., batch_size=512)

input_placeholder = tf.placeholder_with_default(input_batch, [None, None, None, 3])

如果您运行依赖于

input\u placeholder

的代码，但不输入它，它将使用

tf.train.shuffle\u batch（）

的结果。或者，如果为

input\u placeholder

输入值，则可以输入任何4-D张量（深度为3），因此可以使用任何批次大小或图像大小

但是，请注意，这样做将禁用培训中的一些优化，因为每个批次的形状现在可以改变，至少在原则上是这样。这可以防止TensorFlow将一些内部调用视为常量值，这可能意味着它需要在每个训练步骤上做更多的工作。最后，最好为训练和推理建立两个单独的图表，因为它们可以单独优化。

参考。Yaroslav提到拥有多个图形很少有用。我们应该怎么做？我又问了一个问题。

input_batch = tf.train.shuffle_batch(..., batch_size=512)

input_placeholder = tf.placeholder_with_default(input_batch, [None, None, None, 3])