我基本上想要选择将输入提供给图形的中间并计算从那里输出的输出。我有一个想法是使用 tf.placeholder_with_default 默认为零张量。然后我可以使用加法混合可选输入，但是在大形状上添加这似乎是很多不必要的计算。有没有更好的方法来实现这一目标？
input_enabled = tf.placeholder_with_default(tf.constant(1.), [1])
input_shape = [None, in_size]
input = tf.placeholder_with_default(tf.zeros(input_shape), input_shape)
// ...
bottleneck_shape = [None, bottleneck_size]
bottleneck = input_enabled * f(prev_layer) + tf.placeholder_with_default(tf.zeros(bottleneck_shape), bottleneck_shape)
// ...
// Using graph with input at first layer:
sess.run([output], feed_dict={input: x})
// Using graph with input at bottleneck layer:
sess.run([output], feed_dict={bottleneck: b, input_enabled: 0.})
感谢您的代码我明白了。
架构基本上是：
input <- you can feed here
|
(encoder)
|
bottleneck <- you can also feed here instead
|
(decoder)
|
output
你想要两个用例：
- 培养：将图像输入
input，计算输出
- 测试：将代码输入瓶颈，计算输出
您无需为其创建占位符 bottleneck因为 sess.run() 允许您将值提供给 非占位符 在图表中：
input_shape = [None, in_size]
input = tf.placeholder(tf.float32, input_shape)
# ...
bottleneck = f(prev_layer) # of shape [None, bottleneck_size]
# ...
# Using graph with input at first layer:
sess.run([output], feed_dict={input: x})
# Using graph with input at bottleneck layer:
sess.run([output], feed_dict={bottleneck: b})
从文档中 sess.run()：
可选的feed_dict参数允许调用者覆盖图中的张量值。 feed_dict中的每个键都可以是以下类型之一：
如果键是Tensor，则该值可以是Python标量，字符串，列表或numpy ndarray，可以转换为与该张量相同的dtype。此外，如果键是占位符，则将检查值的形状是否与占位符兼容。