batch size 训练时间_[TensorFlow] 如何构建模型使得训练和测试阶段batch_size可变化...

原因分析

实现的关键在于：

• 模型构建过程中任何操作都是基于不知道batch_size下构建的。因为一旦某个图构建操作基于batch_size就会导致，meta graph中会写死固化张量某个维度为batch_size
• 测试的时候，batch_size大小不能变，因为batch_size不是一个placeholder，而直接写死固化在图模型中，作为图中操作的超参数(关键是超参数的数据类型，int、float、unit tensor)

实现方式

• 最笨的方式：测试时再次构建一次图，然后只加载训练时保存的参数
  • 劣势：每次测试都需要在构建一次图模型
• tf.placeholder()：将batch_size设置为placeholder，因为tensorflow中几乎所有函数的参数都支持“0-D tensor”，如果参数的数据类型不是tensor，源码中都会使用tf.convert_to_tensor()
  • 劣势：模型每次训练或者测试都必须提供placeholder值
• tf.shape(tf.Tensor)：该方法可以获得张量的动态形状，而且不用每一次都输入batch_size的placeholder，直接根据input来推算
  • 注意：不要使用t