anq">我的 TensorFlow 图的输入之一是可变长度数组的列表(例如
[[0, 1, 2], [3, 4], [5, 6, 7, 8])。为了表示这一点，我在图中使用了TensorArray。
但是，在运行图形时，我找不到一种方法来输入一批 TensorArray，因为feed_dict={ some_ta: [[0, 1, 2], [3, 4], [5, 6, 7, 8]] }不起作用。
目前是否有任何解决方法允许我直接将张量数组输入会话？
对于这种情况，没有现成的解决方案，但您可以尝试解决方法。
-
最简单的解决方法是填充所有输入数据(例如用零)，以便所有数组具有相同的维度。请注意，张量流旨在使用张量执行计算，张量具有矩形而不是可变形状。因此，这样您的操作可能会更快地完成，但您需要调整算法以忽略尾随零。
在上面的示例中，代码很简单：
# can hold any number of 4-D vectors input = tf.placeholder(dtype=tf.float32, shape=[None, 4]) with tf.Session() as session: data = [[0, 1, 2, 0], [3, 4, 0, 0], [5, 6, 7, 8]] print session.run(input, feed_dict={input: data}) -
如果长度碰巧是固定的，你可以这样对输入进行分区
input = tf.placeholder(dtype=tf.float32, shape=[None]) split = tf.dynamic_partition(input, partitions=[0, 0, 0, 1, 1, 2, 2, 2, 2], num_partitions=3) with tf.Session() as session: data = [0, 1, 2, 3, 4, 5, 6, 7, 8] print session.run(split, feed_dict={input: data})结果如下：
[array([ 0., 1., 2.], dtype=float32), array([ 3., 4.], dtype=float32), array([ 5., 6., 7., 8.], dtype=float32)]partitions参数不能是张量，因此在构建图形时必须静态知道它。 -
要执行真正的任意拆分，您将自己手动执行此操作。您仍然将
data作为单个数组传递，同时partitions保存分区索引。然后，您可以按照此问题或此问题中的建议执行繁琐的拆分。我不建议你走这条路，除非绝对没有其他办法。