构造一个TensorFlow张量，当传递给tf.concat（）时表现为空

Question

我正在构建一个拓扑结构的计算图，该图根据一些超参数而变化。在某些时候，会发生串联：

c = tf.concat([a, b], axis=-1)

张量a有形状(None, m)。张量b形状(None, n) n依赖于超参数。对于超参数的一个值，张量b在概念上应该是空的，例如，我们希望c和a是一样的。

我可以使用以下代码成功构建图形：

b = tf.placeholder(tf.float32, (None, 0), name="Empty")

但是，如果我运行一个会话，TensorFlow会引发一个InvalidArgumentError说：

You must feed a value for placeholder tensor 'Empty' with dtype float and shape [?,0]

有没有办法构造一个在concat操作中表现为空的张量，但不需要输入虚假输入？

显然，我知道我可以在构建图形的代码中添加一个特殊情况，包装器等。我希望避免这种情况。

完整代码：

import tensorflow as tf
import numpy as np

a = tf.placeholder(tf.float32, (None, 10))
b = tf.placeholder(tf.float32, (None, 0), name="Empty")
c = tf.concat([a, b], axis=-1)
assert c.shape.as_list() == [None, 10]

with tf.Session() as sess:
    a_feed = np.zeros((100, 10))
    c = sess.run(c, {a : a_feed})

Answer 1

您可以使用不需要占位符的tf.placeholder_with_default。

import tensorflow as tf
import numpy as np

# Hparams
batch_size = 100
a_dim = 10
b_dim = 0

# Placeholder for a which is required to be fed.
a = tf.placeholder(tf.float32, (None, a_dim))

# Placeholder for b, which doesn't have to be fed.
b_default = np.zeros((batch_size, b_dim), dtype=np.float32)
b = tf.placeholder_with_default(
    b_default, (None, b_dim), name="Empty"
)
c = tf.concat([a, b], axis=-1)
assert c.shape.as_list() == [None, a_dim + b_dim]

with tf.Session() as sess:
    a_feed = np.zeros((batch_size, a_dim))
    b_feed = np.ones((batch_size, b_dim))
    c_out = sess.run(c, {a : a_feed})
    # You can optionally feed in b:
    # c_out = sess.run(c, {a : a_feed, b : b_feed})
    print(c_out)

Answer 2

如果您不使用tf.placeholder()来提供数据，但tf.Estimator，那么解决方案是微不足道的，因为您可以定义：

b = tf.zeros([a.shape[0].value, 0])

所以，如果a的形状是已知的，

c = tf.concat([a,b],axis=-1)
assert c.shape == a.shape

永远都会成功。