我已经用批量大小为10训练了一个卷积神经网络。然而，在测试时，我希望单独预测每个数据集的分类，而不是批量进行，这会导致错误：
Assign requires shapes of both tensors to match. lhs shape= [1,3] rhs shape= [10,3]我理解10指的是batch_size，而3是我要分类的类别数。
我们不能用批次训练然后单独测试吗？
更新：
训练阶段：
batch_size=10classes=3#vlimit是某个常数：训练和测试阶段相同X = tf.placeholder(tf.float32, [batch_size,vlimit ], name='X_placeholder')Y = tf.placeholder(tf.int32, [batch_size, classes], name='Y_placeholder')w = tf.Variable(tf.random_normal(shape=[vlimit, classes], stddev=0.01), name='weights')b = tf.Variable(tf.ones([batch_size,classes]), name="bias")logits = tf.matmul(X, w) + bentropy = tf.nn.softmax_cross_entropy_with_logits(logits=logits, labels=Y, name='loss')loss = tf.reduce_mean(entropy)optimizer = tf.train.AdamOptimizer(learning_rate).minimize(loss)测试阶段：
batch_size=1classes=3X = tf.placeholder(tf.float32, [batch_size,vlimit ], name='X_placeholder')Y = tf.placeholder(tf.int32, [batch_size, classes], name='Y_placeholder')w = tf.Variable(tf.random_normal(shape=[vlimit, classes], stddev=0.01), name='weights')b = tf.Variable(tf.ones([batch_size,classes]), name="bias")logits = tf.matmul(X, w) + bentropy = tf.nn.softmax_cross_entropy_with_logits(logits=logits, labels=Y, name='loss')loss = tf.reduce_mean(entropy)optimizer = tf.train.AdamOptimizer(learning_rate).minimize(loss)回答：
当你定义你的占位符时，使用：
X = tf.placeholder(tf.float32, [None, vlimit ], name='X_placeholder')Y = tf.placeholder(tf.int32, [None, classes], name='Y_placeholder')...替代你的训练和测试阶段的定义（实际上，你不需要为测试阶段重新定义这些）。同时，将你的偏置定义为：
b = tf.Variable(tf.ones([classes]), name="bias")否则，你将为批次中的每个样本训练一个单独的偏置，这不是你想要的。
TensorFlow应该会自动沿着输入的第一个维度展开，并识别其为批次大小，因此在训练时你可以输入批次大小为10的数据，而在测试时你可以输入单个样本（或批次大小为100或其他任何大小）。
