Tensorflow中的变长输入

输入的形状是

[批次大小，最大步长，50,50]

。我想在每一步都使用特定的cnn，使其成为

[批量大小，maxstep，5*5*32]

。乍一看，我想我应该使用

，而_loop

但是很难建立这个图，“maxstep”和“batch_size”都是可变的，那么如何迭代这个张量呢

这是我的错误代码：

x = tf.placeholder(tf.float32, [2, None, None, 50, 50])
source = list()
target = list()

W_conv, B_conv = weight_and_bias('conv', [5, 5, 1, 32])

for e in x[0]:
    e_tmp = tf.reshape(e, [-1, 50, 50 ,1])
    h_conv = tf.nn.relu(conv2d(e_tmp, W_conv) + B_conv)
    h_pool = max_pool_2x2(h_conv)
    h_flat = tf.reshape(h_pool2, [-1, 5 * 5 * 32])
    source.append(e_tmp)

for e in x[1]:
    e_tmp = tf.reshape(e, [-1, 50, 50 ,1])
    h_conv = tf.nn.relu(conv2d(e_tmp, W_conv) + B_conv)
    h_pool = max_pool_2x2(h_conv)
    h_flat = tf.reshape(h_pool2, [-1, 5 * 5 * 32])
    target.append(e_tmp)

source = np.array(source)
target = np.array(target)

在老师的帮助下，我终于解决了这个问题

首先，我将输入的形状

[batch\u size，variable\u step\u len，50，50]

填充到

[batch\u size，max\u step\u len，50，50]

中，然后将其重塑为

[batch\u size*max\u step\u len，50，50]

第二，我对cnn进行了操作，并对其进行了改造。

在他的帮助下，我终于解决了这个问题

首先，我将输入的形状

[batch\u size，variable\u step\u len，50，50]

填充到

[batch\u size，max\u step\u len，50，50]

中，然后将其重塑为

[batch\u size*max\u step\u len，50，50]

---

第二，我对cnn进行操作，并重新对其进行整形。

大多数操作都接受批处理维度，并在该批处理上高效地执行操作（比迭代快得多）。有什么原因不能将前两个维度合并为单个批次维度（带重塑），然后正常调用ops？@AllenLavoie您的意思是合并“批次大小”和“最大步长”？事实上，这是一个顺序问题，在cnn操作之后，我仍然需要将带有shape

[batch\u size，maxstep，5*5*32]

的批次输入到动态中。因此，如果将前两个维度合并，序列信息将丢失。在卷积完成后，你不能将其重新整形为[batch_size，maxstep，…]，然后对其进行所需的任何序列处理吗？@AllenLavoie Umm…我想我明白你的意思了。但首先我不确定合并和拆分操作是否会保持原来的顺序。其次，

maxstep

和

batch\u size

都是可变的，也许我可以使用padding将

maxstep

设置为常量。如果序列没有改变，这可能是一个解决方案。tf.reforme实际上并没有改变内存中的表示：它只是关于实际值的元数据，存储在内存中的平面数组中。您可以使用将变量形状引用为整数张量。大多数操作都接受批处理维度，并在该批处理上高效地执行操作（比迭代快得多）。有什么原因不能将前两个维度合并为单个批次维度（带重塑），然后正常调用ops？@AllenLavoie您的意思是合并“批次大小”和“最大步长”？事实上，这是一个顺序问题，在cnn操作之后，我仍然需要将带有shape

[batch\u size，maxstep，5*5*32]

的批次输入到动态中。因此，如果将前两个维度合并，序列信息将丢失。在卷积完成后，你不能将其重新整形为[batch_size，maxstep，…]，然后对其进行所需的任何序列处理吗？@AllenLavoie Umm…我想我明白你的意思了。但首先我不确定合并和拆分操作是否会保持原来的顺序。其次，

maxstep

和

batch\u size

都是可变的，也许我可以使用padding将

maxstep

设置为常量。如果序列没有改变，这可能是一个解决方案。tf.reforme实际上并没有改变内存中的表示：它只是关于实际值的元数据，存储在内存中的平面数组中。您可以使用引用变量形状作为整数张量。解决方案是否存在问题。假设我的特征是（x，50，50），其中x的范围从100到1500。这不会在网络中留下很多零。我的建议是将较大的样本分成小样本，并通过CNN传递。解决方案是否存在问题。假设我的特征是（x，50，50），其中x的范围从100到1500。这不会在网络中留下很多零。我的建议是将较大的样本分成小样本，并通过CNN进行传播。