我正在通过卷积神经网络进行文本分类。在示例MNIST中,他们有60,000个手写数字的图像示例,每个图像的大小为28 x 28,并且有10个标签(从0到9)。因此,重量的大小将是784 * 10(28 * 28 = 784)
这是他们的代码:
x = tf.placeholder("float", [None, 784])
W = tf.Variable(tf.zeros([784,10]))
b = tf.Variable(tf.zeros([10]))
在我的情况下,我应用word2vec来编码我的文档。结果&#34;字典大小&#34;字嵌入是2000,嵌入大小是128.有45个标签。我尝试做同样的例子,但它不起作用。这就是我所做的:我将每个文档视为与图像相同。例如,文档可以表示为2000 x 128的矩阵(对于出现在文档中的单词,我为该列添加了单词Vector值,并将其他等于零。由于我的输入数据是,因此创建W和x时遇到问题<{1}}时,一个2000 x 128的numpy数组。大小不匹配。
有人可以建议任何建议吗?
由于
答案 0 :(得分:1)
占位符x
是一系列展平图像,其中第一维None
对应于批量大小,即图像数量,256000 = 2000 * 128
。因此,为了正确地提供x
,您需要压缩您的输入。由于您提到您的输入是numpy数组,请查看numpy.reshape和flatten。