我尝试构建一个带有输入层（2个神经元），隐藏层（5个神经元）和输出层（1个神经元）的简单MLP。我计划使用[[0., 0.], [0., 1.], [1., 0.], [1., 1.]]训练和提供[0., 1., 1., 0.]，以获得import tensorflow as tf
#####################
# preparation stuff #
#####################
# define input and output data
input_data = [[0., 0.], [0., 1.], [1., 0.], [1., 1.]] # XOR input
output_data = [0., 1., 1., 0.] # XOR output
# create a placeholder for the input
# None indicates a variable batch size for the input
# one input's dimension is [1, 2]
n_input = tf.placeholder(tf.float32, shape=[None, 2])
# number of neurons in the hidden layer
hidden_nodes = 5
################
# hidden layer #
################
b_hidden = tf.Variable(0.1) # hidden layer's bias neuron
W_hidden = tf.Variable(tf.random_uniform([hidden_nodes, 2], -1.0, 1.0)) # hidden layer's weight matrix
# initialized with a uniform distribution
hidden = tf.sigmoid(tf.matmul(W_hidden, n_input) + b_hidden) # calc hidden layer's activation
################
# output layer #
################
W_output = tf.Variable(tf.random_uniform([hidden_nodes, 1], -1.0, 1.0)) # output layer's weight matrix
output = tf.sigmoid(tf.matmul(W_output, hidden)) # calc output layer's activation
############
# learning #
############
cross_entropy = tf.nn.sigmoid_cross_entropy_with_logits(output, n_input) # calc cross entropy between current
# output and desired output
loss = tf.reduce_mean(cross_entropy) # mean the cross_entropy
optimizer = tf.train.GradientDescentOptimizer(0.1) # take a gradient descent for optimizing with a "stepsize" of 0.1
train = optimizer.minimize(loss) # let the optimizer train
####################
# initialize graph #
####################
init = tf.initialize_all_variables()
sess = tf.Session() # create the session and therefore the graph
sess.run(init) # initialize all variables
# train the network
for epoch in xrange(0, 201):
sess.run(train) # run the training operation
if epoch % 20 == 0:
print("step: {:>3} | W: {} | b: {}".format(epoch, sess.run(W_hidden), sess.run(b_hidden)))
（元素）的所需输出。
不幸的是我的代码拒绝运行。无论我尝试什么，我都会遇到维度错误。相当令人沮丧：/我想我错过了一些东西，但我无法弄清楚是什么问题。
为了更好的可读性，我还将代码上传到了一个pastebin：code
有什么想法吗？
hidden = tf.sigmoid(tf.matmul(n_input, W_hidden) + b_hidden)
编辑：我仍然收到错误：/
line 27 (...) ValueError: Dimensions Dimension(2) and Dimension(5) are not compatible输出hidden = tf.sigmoid(tf.matmul(W_hidden, n_input) + b_hidden)
。将行改为：
output = tf.sigmoid(tf.matmul(hidden, W_output))
似乎有效，但错误出现在：
line 34 (...) ValueError: Dimensions Dimension(2) and Dimension(5) are not compatibleoutput = tf.sigmoid(tf.matmul(W_output, hidden))
将陈述转为：
line 34 (...) ValueError: Dimensions Dimension(1) and Dimension(5) are not compatible也会抛出异常：hidden。
EDIT2：我真的不明白这一点。不应该W_hidden x n_input.T为(5, 2) x (2, 1)，因为在维度上这将是n_input？如果我转置output隐藏仍然有效（我甚至不明白为什么它在没有转置的情况下工作）。但是，(1, 5) x (5, 1)会不断出现错误，但维度中的此操作应为 <asp:DropDownList ID="DropDownList1" runat="server" ></asp:DropDownList>
？！
答案 0 :(得分：2)
（0）包含错误输出很有帮助 - 它也是一个有用的东西，因为它确实可以确定你遇到形状问题的确切位置。
（1）形状错误的产生是因为你在两个matmul中都有向后matmul的参数，并且向后有tf.Variable。一般规则是，具有System.out.println(tp.getText().length());//tp is a JTextPane. prints out 6, just to show I'm not going out of bounds
System.out.println(position+ "-" + (position+ 1));//prints out 4 and 5
tp.getStyledDocument().remove(position, (position + 1));//crashes here, trying to remove "XS" from "1234XS"
的图层的权重应为input_size, output_size，而matmul应为[input_size, output_size]（然后添加形状为tf.matmul(input_to_layer, weights_for_layer)的偏差）。
所以使用你的代码，
[output_size]应该是：
W_hidden = tf.Variable(tf.random_uniform([hidden_nodes, 2], -1.0, 1.0))
和
W_hidden = tf.Variable(tf.random_uniform([2, hidden_nodes], -1.0, 1.0))
应为hidden = tf.sigmoid(tf.matmul(W_hidden, n_input) + b_hidden)
;和
tf.matmul(n_input, W_hidden)应为output = tf.sigmoid(tf.matmul(W_output, hidden))
（2）一旦你修复了这些错误，你的运行需要输入feed_dict：
tf.matmul(hidden, W_output)应该是：
sess.run(train)
至少，我认为这是你想要实现的目标。