python - tf.placeholder_with_default 反向传播

Question

我正在尝试在 Tensorflow 中训练自动编码器。然而，这个自动编码器只是我架构的一部分。我想要以下工作流程：

输入图像-->上游处理的数据-->输入自动编码器-->使用编码图像输出及其梯度。

换句话说，我想要整个编码操作的梯度，包括上游数据处理，wrt 输入图像数据。

我也想自己训练我的自动编码器。因此，我认为我可以将输入图像制作成 type 的自动编码器tf.placeholder_with_default。我的想法是我可以将上游数据处理直接连接到自动编码器输入作为默认值，但也可以允许用户传入训练数据进行训练。

因此，我这样构造自动编码器的输入：

input_x = tf.Variable(tf.zeros(dtype=tf.float32, shape=[1, 60, 200, 3])) #Will be fed in from upstream, for now, zeros is just for testing
self.x = tf.placeholder_with_default(input_x, shape=[None, 60, 200, 3], name='camera') #images are 200 x 60 with 3 channels; x is the input to the autoencoder

我的自动编码器涉及多次调用tf.nn.conv2d. 不幸的是，当我尝试使用此设置进行训练时，出现以下错误：

InvalidArgumentError (see above for traceback): Conv2DSlowBackpropInput: input and out_backprop must have the same batch sizeinput batch: 1outbackprop batch: 32 batch_dim: 0

当我将代码更改为：

self.x = tf.placeholder(tf.float32, shape=[None, 60, 200, 3], name='camera') 

我没有问题。

我是否尝试tf.placeholder_with_default正确使用？什么可能导致错误？（我可以提供更多代码，但如果可能的话，我不想发布我的整个 AE）。

标签： pythontensorflowautoencoder

Answer 1

尝试将您的 input_x 声明替换为：

input_x =np.zeros([1, 60, 200, 3], dtype=np.float32)