Question

我已经开始学习张量流，并且难以理解占位符/变量问题。

我正在尝试编写矩阵乘法函数。它在使用tf.constant时有效，但我很难理解如何使用变量

这是我的代码

import tensorflow as tf
import numpy as np 


mat_1 = np.array([[0,1,1,0], [1,0,1,0], [1,0,0,1], [0,1,1,0]]).astype('int32')
mat_2 = np.array([[0,1,1,0], [1,0,1,0], [1,0,0,1], [0,1,1,0]]).astype('int32')


def my_matmult1(mat_1, mat_2):
    #define session
    x_sess = tf.Session()

    with x_sess:
        xmat_1 = tf.constant(mat_1)
        xmat_2 = tf.constant(mat_2)
        r1 = tf.matmul(xmat_1, xmat_2)
        qq1 = x_sess.run(r1)

    return qq1    

def my_matmult2(mat_1, mat_2):
    #define session
    x_sess1 = tf.Session()

    with x_sess1:
        #initialize placeholders
        xmat_1_plh = tf.placeholder(dtype=mat_1.dtype, shape=mat_1.shape)
        xmat_2_plh = tf.placeholder(dtype=mat_2.dtype, shape=mat_2.shape)  

        #create variables
        x_mat_1 = tf.Variable(xmat_1_plh, trainable = False)
        x_mat_2 = tf.Variable(xmat_2_plh, trainable = False)

        x_sess1.run(tf.initialize_all_variables())

        #
        r1 = tf.matmul(xmat_1, xmat_2)
        qq1 = x_sess1.run(r1, feed_dic={mat_1, mat_2})

    return qq1

这可以按预期工作：

my_matmult1(mat_1, mat_1)

然而，以下失败：

my_matmult2(mat_1, mat_1)

出现以下错误

InvalidArgumentError

您必须为占位符张量提供一个值＆＃39; Placeholder＆＃39;使用dtype int32和shape [4,4]

即使更改了

中的最后一行

qq1 = x_sess1.run(r1, feed_dic={tf.convert_to_tensor(mat_1), tf.convert_to_tensor(mat_2)})

我做错了什么？

Answer 1

如果在创建占位符后删除tf.Variable()行（并相应地修改了fed变量的名称），则代码应该有效。

占位符适用于您要为模型提供的变量。变量用于模型的参数（如权重）。

因此，您正确创建了两个占位符，但随后您无缘无故地创建了其他变量，这可能会在Tensorflow图中出现问题。

该功能如下：

import tensorflow as tf
import numpy as np

def my_matmult2(mat_1, mat_2):
    #define session
    x_sess1=tf.Session()

    with x_sess1:
        #initialize placeholders
        xmat_1_plh = tf.placeholder(dtype=mat_1.dtype, shape=mat_1.shape)
        xmat_2_plh = tf.placeholder(dtype=mat_2.dtype, shape=mat_2.shape)  

        r1 = tf.matmul(xmat_1_plh, xmat_2_plh)

        x_sess1.run(tf.initialize_all_variables())

        #

        qq1 = x_sess1.run(r1, feed_dict={xmat_1_plh: mat_1 , xmat_2_plh: mat_2})

    return qq1 

mat_1=np.ones((5,5))
mat_2=np.ones((5,5))

b=my_matmult2(mat_1,mat_2)
print b

Answer 2

为了有意义地回答这个问题，我必须回到如何设计tensorflow工作

<强>图表
Tensorflow中的图形只是计算所需的地图/路径。它不包含任何值，也不执行任何操作。

会话
另一方面，会话需要图形，数据和运行时间来执行。 Graphs和Sessions的这个概念让TensorFolow将流定义或模型与实际计算运行时分开。

将运行时与流程图分开
这很可能是为了将图形定义与运行时配置和实际执行数据分开。例如，运行时可以在群集上。因此，集群中的每个执行运行时都需要具有相同的图定义。但是每个运行时可能在执行过程中本地具有不同的数据集。因此，在群集中的分布式执行期间提供输入和输出数据非常重要。

为什么占位符和非变量
占位符充当图形的输入/输出管道。如果将图形可视化为多个节点 - 占位符是输入或输出节点。

真正的问题是为什么TensorFlow不为I / O节点使用普通变量？为什么还有其他类型？

在培训过程中（当程序在会话中执行时），需要确保使用实际值来训练模型。基本上feed_dict在培训过程中只接受实际值，例如一个Numpy ndarry。这些实际值不能由TensorFlow变量提供，因为除非使用eval（）或session.run（），否则Tensorflow变量没有数据。但是，训练语句本身是session.run（）函数的一部分 - 因此它不能在其中使用另一个session.run（）来将张量变量解析为数据。到目前为止，session.run（）已经必须绑定到特定的运行时配置和数据。

Answer 3

你没有正确地喂食字典。您需要将字典设置为占位符的名称。我还添加了一个名称，您可能可以使用“xmat_1_plh”作为名称，但我更喜欢添加自己的名称。我还认为你在my_matmult2（）函数中有一些额外的行。 x_mat_1 / 2我不认为增加太多，但可能不会受到伤害（通过在图表中添加另一个OP可能会有一点性能。

def my_matmult2(mat_1, mat_2):
 #define session
 x_sess1 = tf.Session()

 with x_sess1:
    #initialize placeholders
    xmat_1_plh = tf.placeholder(dtype=mat_1.dtype, shape=mat_1.shape, name ="xmat1")
    xmat_2_plh = tf.placeholder(dtype=mat_2.dtype, shape=mat_2.shape, name ="xmat2")  

    #create variables
    x_mat_1 = tf.Variable(xmat_1_plh, trainable = False)
    x_mat_2 = tf.Variable(xmat_2_plh, trainable = False)

    x_sess1.run(tf.initialize_all_variables())

    #
    r1 = tf.matmul(xmat_1, xmat_2)
    qq1 = x_sess1.run(r1, feed_dic={xmat1: mat_1, xmat2: mat_2})

 return qq1

我不确定此功能的最终目标是什么，但您在图中创建节点。因此，您可能希望将“.run（）”语句从此函数中移出（到您希望主动乘以2矩阵的位置），因为如果您只是在寻找，您不应该在循环中调用它一种乘以2矩阵的方法。

如果这是对my_matmult2（）的单个测试/调用，你所拥有的内容应该适用于字典的修正。

InvalidArgumentError：您必须为占位符张量占位符提供值

3 个答案: