为一个热编码数据定义占位符张量

Question

在代码下面运行：

 loss = tf.losses.softmax_cross_entropy(onehot_labels=training_outputs, logits=logits)
optimizer = tf.train.GradientDescentOptimizer(learning_rate=0.1).minimize(loss)

    init = tf.global_variables_initializer()

    # define placeholder for inputs to network
    xs = tf.placeholder(tf.float32,[None,2000])
    ys = tf.placeholder(tf.float32,[None,81])


    with tf.Session() as sess:
        sess.run(init)
        for i in range(1000):
            sess.run(optimizer, feed_dict={xs:training_inputs, ys:training_outputs})

返回错误：

InvalidArgumentError: You must feed a value for placeholder tensor 'Placeholder_150' with dtype float
     [[Node: Placeholder_150 = Placeholder[dtype=DT_FLOAT, shape=[], _device="/job:localhost/replica:0/task:0/cpu:0"]()]]

我认为这与training_inputs＆amp;的格式有关。 training_outputs即：

training_inputs＆amp; training_outputs是一个热门编码。但是每个都应该是array([],[]....)而不是array([[],[],...])？

Answer 1

  

training_inputs＆amp; training_outputs是一个热门编码。但是每个都应该是array（[]，[] ....）而不是array（[[]，[]，...]）？

不，输入和输出看起来很好。

错误表示您没有提供运行optimizer张量所需的占位符。从错误消息（Placeholder_150）中的占位符名称可以看出，您已经创建了许多占位符。

当您将笔记本与tensorflow结合使用时，您需要知道的一件事是每次使用

执行单元格时

xs = tf.placeholder(tf.float32,[None,2000])
ys = tf.placeholder(tf.float32,[None,81])

新的占位符将添加到图表中。第一次执行时"Placeholder_0"和"Placeholder_1"将第二次添加"Placeholder_2"和"Placeholder_3"，依此类推。

问题可能是xs或ys不能引用用于计算optimizer的相同占位符。

例如，如果您先执行

，就会发生这种情况

 xs = tf.placeholder(tf.float32,[None,2000])
 ys = tf.placeholder(tf.float32,[None,81])

然后从optimizer和xs构建ys然后执行

的部分

 xs = tf.placeholder(tf.float32,[None,2000])
 ys = tf.placeholder(tf.float32,[None,81])

再次运行会话之前。

修改： 创建optimizer张量后创建占位符也是错误的。由于optimizer应取决于这些占位符。它应该在您第一次运行笔记本时出错，但第二次它可能导致您得到的错误。

Answer 2

我认为你对损失计算感到困惑

# Here onehot_labels is not exactly the training outputs data, but the ground truths labels placeholder <ys> of your training data <xs>
# this line should be replaced with 
loss = tf.losses.softmax_cross_entropy(onehot_labels=training_outputs, logits=logits)
# this one
loss = tf.losses.softmax_cross_entropy(onehot_labels=ys, logits=logits)