我正在学习TensorFlow教程

最初x被定义为

x = tf.placeholder(tf.float32, shape=[None, 784])

后来它重塑了x，我试图理解为什么这样做。

为了应用这一层，我们首先将x重塑为一个4维张量，第二和第三维度对应于图像的宽度和高度，最后一维度对应于颜色通道的数量。

x_image = tf.reshape(x, [-1,28,28,1])

在重塑向量中-1是什么意思，为什么x需要被重塑？

回答：

1) 在重塑向量中-1是什么意思

从reshape的文档中可以看到：

如果shape的一个组成部分是特殊值-1，那么该维度的大小将被计算，以便总大小保持不变。特别是，形状为[-1]会展平为一维。shape中最多只能有一个组成部分为-1。

这是一个标准功能，在numpy中也有。基本上它的意思是 – 我没有时间计算所有维度，所以帮我推断一个。在你的例子中因为x * 28 * 28 * 1 = 784，所以你的-1 = 1

2) 为什么x需要被重塑

他们计划使用卷积进行图像分类。所以他们需要使用一些空间信息。目前数据是一维的。所以他们将其转换为四维。我不知道第四维的意义，因为在我看来他们可能只使用了(x, y, 颜色)。或者甚至(x, y)。尝试修改他们的重塑和卷积，你很可能会得到相似的准确率。