Tensorflow 张量流中未知维数的处理

我编写了一个函数，用于计算形状（1，H，W，C）的图像特征的gram矩阵。我写的方法如下：

def calc_gram_matrix(features, normalize=True):
  #input: features is a tensor of shape (1, Height, Width, Channels)

  _, H, W, C = features.shape
  matrix = tf.reshape(features, shape=[-1, int(C)])
  gram = tf.matmul(tf.transpose(matrix), matrix)

  if normalize:
    tot_neurons = H * W * C
    gram = tf.divide(gram,tot_neurons)

return gram

要测试我对gram矩阵的实现，有一种方法：

 def gram_matrix_test(correct):
    gram = calc_gram_matrix(model.extract_features()[5])     #
    student_output = sess.run(gram, {model.image: style_img_test})
    print(style_img_test.shape)
    error = rel_error(correct, student_output)
    print('Maximum error is {:.3f}'.format(error))

 gram_matrix_test(answers['gm_out'])

当我运行gram_matrix_test（）时，我得到一个错误->ValueError:无法将未知维度转换为张量：

（错误在这一行->“gram=tf.divide（gram，tot_神经元）”）

调试时，我发现model.extract_features（）[5]的形状是（？，，128），因此无法进行分割

style\u img\u test的维度是（（1，192，242，3）），因此当我们运行会话时，H，W，C将被填充

---

你能指导我如何解决这个问题吗？

我做了以下更改，效果很好

def calc_gram_矩阵（特征，normalize=True）：
#输入：特征是形状的张量（1，高度，宽度，通道）
特征形状=tf.形状（特征）
H=特征与形状[1]
W=特征与形状[2]
C=特征和形状[3]
矩阵=tf.重塑（特征，形状=[-1，C]）
gram=tf.matmul（tf.transpose（矩阵），矩阵）
如果正常化：
tot_神经元=H*W*C
tot_神经元=tf.cast（tot_神经元，tf.32）
gram=tf.divide（gram，tot_神经元）
返回克

我做了以下更改，它成功了

def calc_gram_矩阵（特征，normalize=True）：
#输入：特征是形状的张量（1，高度，宽度，通道）
特征形状=tf.形状（特征）
H=特征与形状[1]
W=特征与形状[2]
C=特征和形状[3]
矩阵=tf.重塑（特征，形状=[-1，C]）
gram=tf.matmul（tf.transpose（矩阵），矩阵）
如果正常化：
tot_神经元=H*W*C
tot_神经元=tf.cast（tot_神经元，tf.32）
gram=tf.divide（gram，tot_神经元）
返回克

使用

tf.shape

获得一个整数张量形状（您还需要删除

int（）

cast）。即使图形构造过程中形状未知（这是

tensor.shape

提供给您的信息），此功能仍然有效。谢谢@AllenLavoie，成功了！：）非常感谢@AllenLavoie:）使用

tf.shape

获得一个作为整数张量的形状（您还需要删除

int（）

cast）。即使图形构造过程中形状未知（这是

tensor.shape

提供给您的信息），此功能仍然有效。谢谢@AllenLavoie，成功了！：）非常感谢@AllenLavoie:）