我正在学习 TensorFlow，我的目标是为我的需求实现多层感知机。我查看了带有多层感知机实现的 MNIST 教程，除了以下内容之外，其余部分我都理解了：
_, c = sess.run([optimizer, cost], feed_dict={x: batch_x, y: batch_y})我猜，x 本身就是一张图片（28*28 像素，因此输入是 784 个神经元），而 y 是一个标签，是一个 1×10 的数组：
x = tf.placeholder("float", [None, n_input])y = tf.placeholder("float", [None, n_classes])他们输入的是整个批次（这些是数据点和标签的包）！TensorFlow 如何解释这个“批次”输入？它是如何更新权重的：是每个批次中的每个元素更新后同时更新，还是在整个批次运行后更新？
如果我需要输入一个数字（input_shape = [1,1]）并输出四个数字（output_shape = [1,4]），我应该如何更改 tf.placeholders 以及应该以什么形式将它们输入会话？
-
当我问 TensorFlow 如何解释它时，我想知道 TensorFlow 如何将批次分成单个元素。例如，批次是一个二维数组，对吗？它在哪个方向上分割数组？或者它使用矩阵运算而不分割任何东西？
-
当我问我应该如何输入我的数据时，我想知道它应该是样本在行上，特征在列上的二维数组，还是可以是一个二维列表。
当我将我的浮点 numpy 数组 X_train 输入到 x 时，它是这样的：
x = tf.placeholder("float", [1, n_input])我收到了一个错误：
ValueError: Cannot feed value of shape (1, 18) for Tensor 'Placeholder_10:0', which has shape '(1, 1)'
看起来我需要将我的数据也创建为 Tensor？
当我尝试 [18×1] 时：
Cannot feed value of shape (18, 1) for Tensor 'Placeholder_12:0', which has shape '(1, 1)'
回答：
他们输入的是整个批次（这些是数据点和标签的包）！
是的，这就是通常训练神经网络的方式（由于一些很好的数学特性，它结合了两种世界的最佳效果——一方面比 SGD 更好的梯度近似，另一方面比完整的 GD 收敛更快）。
TensorFlow 如何解释这个“批次”输入？
它根据您图中的操作来“解释”。您图中可能有某个地方使用了reduce mean，它计算批次的平均值，从而导致这种“解释”。
它如何更新权重：1. 在批次中的每个元素更新后同时更新？2. 在整个批次运行后更新？
就像之前的回答一样——批次并没有什么“魔法”，它只是另一个维度，神经网络的每个内部操作对于批次数据都是明确定义的，因此最后仍然是单一更新。因为您使用了 reduce mean 操作（或者可能是 reduce sum？），您是根据“小”梯度的平均值（或如果是 reduce sum，则是总和）来更新的。同样——您可以控制它（直到聚合行为为止，除非您在图中引入 while 循环，否则您不能强制它执行每样本更新）。
如果我需要输入一个数字（input_shape = [1,1]）并输出四个数字（output_shape = [1,4]），我应该如何更改 tf.placeholders 以及应该以什么形式将它们输入会话？谢谢！！
只需设置变量，n_input=1 和 n_classes=4，然后像以前一样输入您的数据，作为 [batch, n_input] 和 [batch, n_classes] 数组（在您的情况下，batch=1，如果您说的“1×1”是指“一个维度为 1 的样本”，因为您的编辑开始表明您实际上确实有一个批次，并且您说的 1×1 是指一维输入）。
编辑：1. 当我问 TensorFlow 如何解释它时，我想知道 TensorFlow 如何将批次分成单个元素。例如，批次是一个二维数组，对吗？它在哪个方向上分割数组？或者它使用矩阵运算而不分割任何东西？2. 当我问我应该如何输入我的数据时，我想知道它应该是样本在行上，特征在列上的二维数组，还是可以是一个二维列表。
它不分割任何东西。它只是一个矩阵，每个操作对于矩阵也是明确定义的。通常您将示例放在行上，因此在第一维度上，这就是 [batch, n_inputs] 所表达的——您有 batch 行，每行有 n_inputs 列。但同样——这并没有什么特别之处，您也可以创建一个图，它接受按列的批次，如果您真的需要的话。
