Tensorflow 框架的一些細節

其中常用的fetches和feed_dict就是常用的傳入引數。fetches主要指從計算圖中取回計算結果進行放回的那些placeholder和變數，而feed_dict則是將對應的資料傳入計算圖中佔位符，它是字典資料結構只在呼叫方法內有效。

dien 的**在 model.train() 和 model.calculate() 中都用到了 session.run() 函式，

在這裡，train() 要進行模型的優化，所以需要輸出 self.optimizer, 保證 self.optimizer 這一變數進行了更新

calculate() 實際上是對應測試，需要輸出 self.y_hat, 但並不需要進行模型的優化，迭代乙個梯度步

似乎是必須要指定最後一維的維數，而先前 self.target_timepoint, self.item_history_timepoint 的維度無法被推測出來。因為 [128, 7], 128 是 batch size, 可能會變化，但是 tensorflow 靜態圖，必須先預先確定維數。

self.target_timepoint = tf.placeholder(tf.float32, [none, 7], name='target_timepoint') #[128, 7]

類似如下在 model 中的修改修改：

self.timeconsecutive_history.set_shape([none, none, 7])
self.timecurrent_history.set_shape([none, none, 7])

這兩種修改似乎都可以成功。

target_timepoint_np = np.zeros((n_samples, len(target_timepoint[0]))).astype('float32') # [128, 7]

for idx in range(128) :

target_timepoint_np[idx, :] = target_timepoint[idx]

最終導致如下錯誤：

valueerror: cannot feed value of shape (128, 0) for tensor u'inputs/target_timepoint:0', which has shape '(?, 7)'

輸出 print target_timepoint_np，發現了最後面有乙個空 , 這才發現了這個錯誤。

# from __future__ import absolute_import
# from __future__ import division
# from __future__ import print_function

需要使用這個。

或者保證除法有乙個數是浮點數，這樣，就可以使得最終的數也是浮點數。我之前好像全部都弄錯了？！

奇怪的是，當換用了小的 train data, 程式能夠正常執行了。