TensorFlow占位符尺寸-有什么区别？

Question

TensorFlow的新手，但是对此占位符声明问题感到困惑。 将占位符x定义为的确切区别是什么：

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

相对于此？

x = tf.placeholder(tf.float32, [None, seq_size, 1])

我在考虑矩阵。 可以这么说，假设变量x供给了10个值，并且seq_size为3-第一个变量为10x3，第二个变量为10x3x1。 为什么tensorflow会不同地考虑它们？

Answer 1

Tensorflow将出于形状验证的目的对其进行不同的考虑。 由于尺寸1和尺寸3不匹配，因此在第二个版本中将无法使用例如3x4大小的矩阵进行矩阵乘法。 Tensorflow将能够在图构建时检测到它。

同样，在代码可读性方面，如果将来可能会更改此维度，那么对于一般理解而言，增加额外的维度1可能会很好。 例如，如果您的数据点是单变量时间序列，则使用

x = tf.placeholder(tf.float32, [None, seq_size, 1])

将使您更容易将结果扩展到维度d>1多元时间序列

x = tf.placeholder(tf.float32, [None, seq_size, d])

因为所有代码都已经考虑了这个额外的维度。

Answer 2

x = tf.placeholder(tf.float32, [None, seq_size, 1])

这里的'x'是一个占位符，用于保存大小为[anything，seq_size，1]的张量。 这对于矩阵运算非常有用，在矩阵运算中，通过将其多维转换为高维矩阵，可以轻松地执行某些多维运算。

PS：形状为[None，seq_size]和[None，seq_size，1]的数组中的元素数可以相同。 它们可以很容易地彼此重塑。