Question

我是Tensorflow的新手，我将形状(n,)与形状(n,1)结合起来时遇到了问题。

我有这段代码：

if __name__ == '__main__':
    trainSetX, trainSetY = utils.load_train_set()

    # create placeholders & variables
    X = tf.placeholder(tf.float32, shape=(num_of_features,))
    y = tf.placeholder(tf.float32, shape=(1,))
    W, b = initialize_params()

    # predict y
    y_estim = linear_function(X, W, b)
    y_pred = tf.sigmoid(y_estim)

    # set the optimizer
    loss = tf.nn.sigmoid_cross_entropy_with_logits(labels=y, logits=y_pred)
    loss_mean = tf.reduce_mean(loss)
    optimizer = tf.train.GradientDescentOptimizer(learning_rate=alpha).minimize(loss_mean)

    # training phase
    init = tf.global_variables_initializer()
    with tf.Session() as sess:
        sess.run(init)
        for idx in range(num_of_examples):
            cur_x, cur_y = trainSetX[idx], trainSetY[idx]
            _, c = sess.run([optimizer, loss_mean], feed_dict={X: cur_x, y: cur_y})

我试图通过当时提供一个例子来实现随机梯度下降。问题是它似乎以形状(num_of_features,)提供数据，而我需要(num_of_features,1)才能正确使用其他功能。

例如，在使用此函数计算y的预测时，之前给出的代码会导致错误：

def linear_function(x, w, b):
    y_est = tf.add(tf.matmul(w, x), b)
    return y_est

错误是：

ValueError：Shape必须是等级2，但对于＆＃39; MatMul＆＃39;是等级1 （op：＆＃39; MatMul＆＃39;）输入形状：[1,3197]，[3197]。

我尝试使用tf.reshape与X和y以某种方式解决此问题，但它在其他地方引起了错误。

是否可以在feed_dict={X: cur_x, y: cur_y}中输入数据＆＃34;更正＆＃34;形状

或者正确实施此方法的方法是什么？

感谢。

Answer 1

对于矩阵乘法，您需要遵循形状规则

（a，b）*（b，c）=（a，c）

这意味着您需要重新整形，因为代码中的形状不会跟随它。显示重塑后的错误会有所帮助。

希望这会给你一些提示

import tensorflow as tf

a = tf.constant([1, 2], shape=[1, 2])
b = tf.constant([7, 8], shape=[2])

print(a.shape) # => (1, 2)
print(b.shape) # => (2,)

sess = tf.Session()

# r = tf.matmul(a, b)
# print(sess.run(r)) # this gives you error

c = tf.reshape(b, [2, 1])
print(c.shape) # => (2, 1)

r = tf.matmul(a, c)
foo = tf.reshape(r, [1])
foo = sess.run(foo)
print(foo) # this gives you [23]

Tensorflow中的形状

1 个答案: