python - 输入占位符中的 Tensorflow 批量大小

Question

我是 Tensorflow 的新手，我不明白为什么输入占位符的尺寸通常与用于训练的批处理大小有关。

在这个例子中我找到了here在 Mnist 官方教程中它不是

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}))

那么确定和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

此处指定模型输入。您希望将 Batch size 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)运行模型。批处理对于高效使用计算资源非常重要。

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

下一个重要的行是:

batch = mnist.train.next_batch(50)

这里您发送 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)

不修改图表。如果您指定批量大小(第一个片段中的一些数字而不是无)，那么您每次都必须更改，这并不理想，特别是在生产中。