python - tf.placeholder_with_default 反向传播

Question

我正在尝试在 Tensorflow 中训练自动编码器。然而，这个自动编码器只是我的架构的一部分。我想要以下工作流程:

输入图像-->上游处理的数据-->输入自动编码器-->使用编码图像输出及其梯度。

换句话说，我想要整个编码操作的梯度，包括上游数据处理，w.r.t 输入图像数据。

我还想单独训练我的自动编码器。因此，我认为我可以将输入图像制作为 tf.placeholder_with_default 类型的自动编码器。我的想法是，我可以将上游数据处理直接连接到自动编码器输入中作为默认设置，但也可以允许用户传入训练数据进行训练。

因此，我构造自动编码器的输入，如下所示:

input_x = tf.Variable(tf.zeros(dtype=tf.float32, shape=[1, 60, 200, 3])) #Will be fed in from upstream, for now, zeros is just for testing
self.x = tf.placeholder_with_default(input_x, shape=[None, 60, 200, 3], name='camera') #images are 200 x 60 with 3 channels; x is the input to the autoencoder

我的自动编码器涉及多次调用tf.nn.conv2d。不幸的是，当我尝试使用此设置进行训练时，出现以下错误:

InvalidArgumentError (see above for traceback): Conv2DSlowBackpropInput: input and out_backprop must have the same batch sizeinput batch: 1outbackprop batch: 32 batch_dim: 0

当我将代码更改为:

self.x = tf.placeholder(tf.float32, shape=[None, 60, 200, 3], name='camera') 

我没有任何问题。

我是否尝试正确使用tf.placeholder_with_default？什么可能导致错误？ (我可以提供更多代码，但如果可能的话，我不想发布整个 AE)。

Answer 1

尝试将 input_x 声明替换为:

input_x =np.zeros([1, 60, 200, 3], dtype=np.float32)