【发布时间】：2016-12-25 14:29:19
【问题描述】：
我训练了一个循环神经网络 (LSTM) 并保存了权重和元图。当我检索元图进行预测时，只要序列长度与训练期间相同，一切正常。
LSTM 的一个好处是输入的序列长度可以变化（例如，如果输入是构成句子的字母，则句子的长度可以变化）。
从元图检索图时如何更改输入的序列长度？
更多细节代码：
在训练期间，我使用占位符 x 和 y 来提供数据。为了进行预测，我检索了这些占位符，但无法更改它们的形状（从 [None, previous_sequence_length=100, n_input] 到 [None, new_sequence_length=50, n_input]）。
在文件model.py中，定义架构和占位符：
self.x = tf.placeholder("float32", [None, self.n_steps, self.n_input], name='x_input')
self.y = tf.placeholder("float32", [None, self.n_classes], name='y_labels')
tf.add_to_collection('x', self.x)
tf.add_to_collection('y', self.y)
...
def build_model(self):
#using the placeholder self.x to build the model
...
tf.split(0, self.n_input, self.x) # split input for RNN cell
...
在文件prediction.py 中我检索元图进行预测：
with tf.Session() as sess:
latest_checkpoint = tf.train.latest_checkpoint(checkpoint_dir=checkpoint_dir)
new_saver = tf.train.import_meta_graph(latest_checkpoint + '.meta')
new_saver.restore(sess, latest_checkpoint)
x = tf.get_collection('x')[0]
y = tf.get_collection('y')[0]
...
sess.run(..., feed_dict={x: batch_x})
这是我得到的错误：
ValueError: Cannot feed value of shape (128, 50, 2) for Tensor u'placeholders/x_input:0', which has shape '(?, 100, 2)'
注意：当不使用元图而是从头开始重建模型并仅加载保存的权重（而不是元图）时，我设法解决了这个问题。
编辑：将self.n_steps 替换为None 并将tf.split(0, self.n_input, self.x) 修改为tf.split(0, self.x.get_shape()[1], self.x) 时出现以下错误：TypeError: Expected int for argument 'num_split' not Dimension(None).
【问题讨论】：
-
事后通常不能改变张量的形状。但是，您可以做的一件事是不在训练期间固定所有维度的形状，而是不指定它们。您输入的张量的尺寸必须与占位符的形状兼容，但您不必首先指定所有占位符的尺寸。在这里，尝试用“None”代替 self.n_steps。
-
我在实际发布问题之前尝试过这样做，但在创建模型的某个时刻，我有
tf.split(0, self.n_input, self.x)。当我不知道/修复self.n_input时，我改为使用self.x.get_shape()[1](tf.split(0, self.x.get_shape()[1], self.x))。但是，我收到以下错误：TypeError: Expected int for argument 'num_split' not Dimension(None)..
标签： neural-network tensorflow deep-learning lstm