python - TensorFlow 占位符维度 - 有什么区别？

Question

刚接触 TensorFlow，但我遇到了这个占位符声明问题。将占位符 x 定义为以下内容到底有什么区别:

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

与此相反？

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

我正在用矩阵来思考。也就是说，假设变量 x 被输入 10 个值，并且 seq_size 为 3 - 第一个给出 10x3，第二个给出 10x3x1。为什么 tensorflow 会以不同的方式看待它们？

Answer 1

出于形状验证目的，Tensorflow 会以不同的方式考虑它。 例如，使用第二个版本无法进行大小为 3x4 的矩阵的矩阵乘法，因为维度 1 和 3 不匹配。 Tensorflow 将能够在图构建时检测到这一点。

此外，在代码可读性方面，如果将来可能会更改此维度，那么拥有额外的维度 1 可能有利于一般理解。例如，如果您的数据点是单变量时间序列，请使用

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

可以更轻松地将结果扩展到维度为 d>1 的多元时间序列

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。