Tensorflow la taille des lots en entrée placholder
Je suis nouveau sur Tensorflow et je ne peux pas comprendre pourquoi l'espace réservé d'entrée est souvent dimensionnée à la taille des lots utilisés pour la formation.
Dans cet exemple, j'ai trouvé ici Officiel et Mnist tutoriel, il n'est pas
from get_mnist_data_tf import read_data_sets
mnist = read_data_sets("MNIST_data/", one_hot=True)
import tensorflow as tf
sess = tf.InteractiveSession()
x = tf.placeholder("float", shape=[None, 784])
y_ = tf.placeholder("float", shape=[None, 10])
W = tf.Variable(tf.zeros([784,10]))
b = tf.Variable(tf.zeros([10]))
sess.run(tf.initialize_all_variables())
y = tf.nn.softmax(tf.matmul(x,W) + b)
cross_entropy = -tf.reduce_sum(y_*tf.log(y))
train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)
for i in range(1000):
batch = mnist.train.next_batch(50)
train_step.run(feed_dict={x: batch[0], y_: batch[1]})
correct_prediction = tf.equal(tf.argmax(y,1), tf.argmax(y_,1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))
print(accuracy.eval(feed_dict={x: mnist.test.images,
y_: mnist.test.labels}))
Alors, quelle est la meilleure et la bonne façon de dimension et de créer les données d'entrée du modèle et de le former?
- les formes sont facultatifs, mais la spécification des formes peut aider le système sous-jacent choisir le plus efficace de mise en œuvre
Vous devez vous connecter pour publier un commentaire.
Ici, vous spécifiez les données d'entrée du modèle. Vous souhaitez quitter la taille du Lot, à
None
, ce qui signifie que vous pouvez exécuter le modèle avec un nombre variable d'entrées (un ou plusieurs). Le dosage est important d'optimiser l'utilisation de vos ressources informatiques.La prochaine ligne est:
Ici, vous êtes à l'envoi de 50 éléments en entrée, mais vous pouvez la modifier à tout juste un
Sans modifier le graphique. Si vous spécifiez la taille du Lot (certains nombre au lieu de Aucun dans le premier extrait), alors que vous auriez à changer à chaque fois et qui n'est pas idéal, spécialement dans la production.