如何用張量流改變幀來生成CNN模型？

Question

我想在Tensorflow中建立一個有條件的CNN模型，但是我遇到了一些麻煩。

假設有一個名爲矩陣特徵具有形狀[64，...，50，1]和命名條件具有形狀的另一矩陣[64，...，1，130]。

fisrt dim是批次大小，第二個dim暗指幀號（這兩個矩陣的dim中的值在每批中相同，但在不同批次中不同）。第三個是特徵尺寸，最後一個dim是通道編號。

我想Concat的兩個矩陣，這意味着我們可以得到一個矩陣形狀[64？，50，131]，並做conv2d在tensorflow。

但問題是，我不能concat這兩個矩陣，因爲在第三個昏暗的差異。然後我做了如下：

x_shapes = x.get_shape() 
    y_shapes = y.get_shape() 
    return tf.concat(3, [x, y*tf.ones([x_shapes[0], x_shapes[1], x_shapes[2], y_shapes[3]])]) 

但它不工作，因爲第二個昏暗是未知的。

我不知道有什麼辦法可以解決這個問題嗎？

感謝

Answer 1

雖然它不是從你的問題清楚，它看起來像要廣播與形狀[64, ?, 1, 130]在第三維的第二張，你叫特徵尺寸的一個，您連接之前。請注意，tf.concat需要匹配的所有維度，除了您要連接的維度。從tf.concat文檔：

輸入張量必須匹配，並且除了concat_dim所有 尺寸的維數必須相等。

要沿特徵維度進行廣播，使用tf.tile而不是像您所做的那樣乘以全部張量要便宜得多。這裏是你將如何使用tf.tile：

tf.concat(3, [x, tf.tile(y, [1, 1, x_shapes.as_list()[2], 1])]) 

在你的情況，因爲y第三維是靜態已知的，上面的代碼工作。如果不是這種情況，就可以形成的第二個參數tf.tile如下：

tf.tile(y, tf.concat(0, [[1], [1], tf.shape(x)[2:3], [1]]))