tf.zeros() 的动态大小（与无尺寸的占位符一起使用）

考虑以下代码：

x = tf.placeholder("float", shape=[42, 4])
y = tf.zeros([42, 4], "float")
xy_stacked = tf.concat(1, [x, y])

print(x.get_shape())
print(y.get_shape())
print(xy_stacked.get_shape())

正如预期的那样，这将产生以下输出：

TensorShape([Dimension(42), Dimension(4)])
TensorShape([Dimension(42), Dimension(4)])
TensorShape([Dimension(42), Dimension(8)])

但是，如果占位符具有动态尺寸，该尺寸在运行时由传递给的值确定feed_dict=，就像占位符经常做的那样：

x = tf.placeholder("float", shape=[None, 4])
y = tf.zeros([None, 4], "float")
xy_stacked = tf.concat(1, [x, y])

这将产生一个错误tf.zeros([None, 4], "float")。显然Dimension(None)不允许用于tf.zeros:

TypeError                                 Traceback (most recent call last)
<ipython-input-24-277eca38a392> in <module>()
      2 
      3 x = tf.placeholder("float", shape=[None, 4])
----> 4 y = tf.zeros([None, 4], "float")
      5 xy_stacked = tf.concat(1, [x, y])
      6 
[...]

/usr/local/lib/python3.4/dist-packages/numpy/core/_methods.py in _prod(a, axis, dtype, out, keepdims)
     33 
     34 def _prod(a, axis=None, dtype=None, out=None, keepdims=False):
---> 35     return umr_prod(a, axis, dtype, out, keepdims)
     36 
     37 def _any(a, axis=None, dtype=None, out=None, keepdims=False):

TypeError: unsupported operand type(s) for *: 'NoneType' and 'int'

我发现如果我将零张量的第一个维度设置为非无，例如 1，它不会产生错误：

x = tf.placeholder("float", shape=[None, 4])
y = tf.zeros([1, 4], "float")
xy_stacked = tf.concat(1, [x, y])

但随后产生的xy_stacked张量被截断为以下大小：

TensorShape([Dimension(None), Dimension(4)])
TensorShape([Dimension(1), Dimension(4)])
TensorShape([Dimension(1), Dimension(8)])

如何用零填充占位符张量，以便获得形状张量TensorShape([Dimension(None), Dimension(8)])在这个例子中？

到目前为止，我发现的唯一“解决方案”是如下所示：

x = tf.placeholder("float", shape=[None, 4])
y = 0 * x
xy_stacked = tf.concat(1, [x, y])

或者简单地声明y作为占位符并始终传递正确大小的零数组。

但这看起来都不是问题的干净解决方案，并且在比这个简单示例更复杂的应用程序中，类似的黑客行为很快就会失控。

我在用着tensorflow-0.6.0-py3.

使用以下方法制作零张量的推荐方法same形状作为另一个张量是使用tf.zeros_like() https://www.tensorflow.org/api_docs/python/tf/zeros_like op:

x = tf.placeholder(tf.float32, shape=[None, 4])
y = tf.zeros_like(x)

得到的张量y似乎有形状[None, None]根据Tensor.get_shape() https://www.tensorflow.org/api_docs/python/tf/Tensor#get_shape，但在运行时它会扩展为与x:

print y.get_shape()
# ==> TensorShape([Dimension(None), Dimension(None)])

sess = tf.Session()
y_result = sess.run(y, feed_dict={x: np.random.rand(4, 4)})

print y_result.shape
# ==> (4, 4)

The [None, None]返回静态形状，因为形状推断尚未专门用于tf.zeros_like()。我已经提交了一份GitHub 问题 https://github.com/tensorflow/tensorflow/issues/744它应该很快就能修复。

EDIT:在您的评论中，您询问如何处理零张量的形状基于的情况，但是不同于原始张量。这也是可能的，使用tf.shape() https://www.tensorflow.org/api_docs/python/tf/shape and tf.stack() https://www.tensorflow.org/api_docs/python/tf/stack构建维度，以及tf.fill() https://www.tensorflow.org/api_docs/python/tf/fill产生零张量：

x = tf.placeholder(tf.float32, shape=[None, 4])

# Use tf.shape() to get the runtime size of `x` in the 0th dimension.
zeros_dims = tf.stack([tf.shape(x)[0], 7])

y = tf.fill(zeros_dims, 0.0)

sess = tf.Session()
y_result = sess.run(y, feed_dict={x: np.random.rand(4, 4)})
print y_result.shape
# ==> (4, 7)