我正在尝试在Tensorflow中训练一个自动编码器。然而，这个自动编码器只是我的体系结构的一部分。我希望有以下工作流程：
输入图像-->上游处理的数据-->送入自动编码器-->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，相对于输入图像数据。
我也想自己训练我的自动编码器。因此，我认为我可以将输入图像制作到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值，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：
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tf.nn.conv2d的几个调用。不幸的是，当我尝试使用这种设置进行训练时，我得到了以下错误：
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：时
self.x = tf.placeholder(tf.float32, shape=[None, 60, 200, 3], name='camera')
我没有问题。
我是否尝试正确使用tf.placeholder_with_default？可能导致错误的原因是什么？(我可以提供更多的代码，但如果可能的话，我宁愿不发布我的整个AE)。
尝试将input_x声明替换为：
input_x =np.zeros([1, 60, 200, 3], dtype=np.float32)