
上QQ阅读APP看书,第一时间看更新
3.2 TensorFlow嵌入Layer
本节将学习如何在同一个计算图中进行多个乘法操作。下面实例创建的计算图可以用Tensorboard实现可视化。
【例3-5】 TensorFlow嵌入Layer实例演示。

运行程序,输出如下:


我们在通过计算图运行数据之前心里要有数:声明数据形状,预估操作返回值形状。由于预先不知道维度,而且维度在变化,因此情况也可能发生变化。为了实现目标,需要指明变化的维度或者将事先不知道的维度设为none。例如,占位符有未知列维度时,使用方式如下:
x_data=tf.placeholder(tf.float32,shape=(3,None))
上面虽然允许打破矩阵乘法规则,但仍然需要遵守“乘以常量矩阵返回值有一致的行数”的要求。在计算图中,也可以传入动态的x_data,或者更改形状的x_data。