输入placholder中的Tensorflow批处理大小

Question

我是Tensorflow的新手，所以我不明白为什么输入占位符经常根据用于训练的批次大小来确定尺寸。

在此示例中，我在此处以及在Mnist官方教程中找到了

from get_mnist_data_tf import read_data_sets
mnist = read_data_sets("MNIST_data/", one_hot=True)
import tensorflow as tf
sess = tf.InteractiveSession()
x = tf.placeholder("float", shape=[None, 784])
y_ = tf.placeholder("float", shape=[None, 10])
W = tf.Variable(tf.zeros([784,10]))
b = tf.Variable(tf.zeros([10]))
sess.run(tf.initialize_all_variables())
y = tf.nn.softmax(tf.matmul(x,W) + b)
cross_entropy = -tf.reduce_sum(y_*tf.log(y))
train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)
for i in range(1000):
  batch = mnist.train.next_batch(50)
  train_step.run(feed_dict={x: batch[0], y_: batch[1]})
correct_prediction = tf.equal(tf.argmax(y,1), tf.argmax(y_,1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))

print(accuracy.eval(feed_dict={x: mnist.test.images,
                               y_: mnist.test.labels}))

那么确定尺寸并创建模型输入并对其进行训练的最佳和正确方法是什么？

Answer 1

您在此处指定模型输入。您希望将批处理大小保留为None，这意味着您可以使用可变数量的输入（一个或多个）来运行模型。批处理对于有效使用您的计算资源很重要。

x = tf.placeholder("float", shape=[None, 784])
y_ = tf.placeholder("float", shape=[None, 10])

下一条重要的线是：

batch = mnist.train.next_batch(50)

在这里，您将发送50个元素作为输入，但您也可以将其更改为一个

batch = mnist.train.next_batch(1)

无需修改图形。如果指定批处理大小（在第一个代码段中用一些数字代替“无”），则每次都必须更改，这并不理想，特别是在生产中。