Question

以下代码旨在构建＆＃34; sy_logprob_n＆＃34;通过while循环并在每个循环中填充一行调暗。但是，当我运行它时，它说

ValueError：使用输入dim 0将索引超出范围;输入只有0 为＆＃39;而/ strided_slice_1＆＃39; （op：＆＃39; StridedSlice＆＃39;）带输入形状：[]，[1]，[1]，[1]和计算输入张量：输入[3] = ＆LT 1为卤素;

有一点奇怪的是，当我将形状打印为print(tf.shape(sy_logprob_n),tf.shape(sy_ac_na))时，它们的两种形状是不同的：

Tensor（＆＃34; Shape_2：0＆＃34;，shape =（0，），dtype = int32）Tensor（＆＃34; Shape_3：0＆＃34;， shape =（2，），dtype = int32）

但＆＃34; sy_logprob_n＆＃34;由＆＃34; sy_ac_na＆＃34;的形状初始化。

有人有想法吗？在此先感谢!!!

sy_ac_na = tf.placeholder(shape=[None, ac_dim], name="ac", dtype=tf.float32) 
batch_size=tf.shape(sy_ob_no)[0]

  sy_mean = build_mlp(sy_ob_no, ac_dim, 'mean', n_layers, size) # shape (batch,ac_dim)
  sy_logstd = tf.Variable(initial_value=0,name='std',expected_shape=[ac_dim],dtype=tf.float32) # logstd should just be a trainable variable, not a network output.
  sy_sampled_ac=tf.random_normal(tf.shape(sy_ac_na),mean=sy_mean,stddev=tf.exp(sy_logstd),seed=seed) # shape(batch,ac_dim)
  sy_logprob_n=tf.Variable(initial_value=0,expected_shape=tf.shape(sy_ac_na),name='sy_logprob_n',dtype=tf.float32)
  print(tf.shape(sy_logprob_n),tf.shape(sy_ac_na))

  def cond(sy_logprob_n,i,sy_ac_na):
    return tf.less(i,batch_size)

  def body(sy_logprob_n,i,sy_ac_na):
    distribution=tf.distributions.Normal(sy_mean,tf.exp(sy_logstd))
    log_prob=distribution.log_prob(sy_ac_na[i,:])
    tf.assign(sy_logprob_n[i],log_prob)
    i+=1
    return sy_logprob_n

  sy_logprob_n = tf.squeeze(tf.while_loop(cond,body,[sy_logprob_n,0,sy_ac_na]))  # shape (batch,)

Answer 1

即使您指定了expected_shape，tf.Variable的形状仍为initial_value（此处为0）。从v1.0.0开始，expected_shape参数似乎是deprecated。我不确定为什么它仍然记录在tf.Variable中。我刚刚在Github上提出了一个问题。

tensorflow（tf）变量初始化形状bug？

1 个答案: