Question

我已经将逻辑回归模型定义为具有一层的网络，然后使用tf.layers进行sigmoid激活。预测结果为形状(n,1)的二维张量，n是批量的大小。但是，为了计算损失函数，我需要1D张量的形状n。当然，我可以重塑张量（这就是我现在所做的），但不知何故感觉应该有更优雅的事情要做。有吗？

重现问题的代码

import tensorflow as tf
import numpy as np

data = np.random.random((20, 6))
data[:, -1] = data[:, -1] > 0.5

e = tf.data.Dataset.from_tensor_slices(data).batch(2).make_one_shot_iterator().get_next()
x, y_ = e[:, :-1], e[:, -1]

y = tf.layers.dense(x, 1, activation=tf.nn.sigmoid)
loss_wrong = - tf.reduce_mean(tf.add(tf.multiply(y_, tf.log(y)), tf.multiply((1. - y_), tf.log(1. - y))))

y2 = tf.reshape(y, [-1])  # ugly reshape I would like to get rid of
loss_correct = - tf.reduce_mean(tf.add(tf.multiply(y_, tf.log(y2)), tf.multiply((1. - y_), tf.log(1. - y2))))

with tf.Session() as sess:
    tf.global_variables_initializer().run()

    a, b, b2, lw, lc = sess.run([y_, y, y2, loss_wrong, loss_correct])
    print(a)  # a 1D array with the real labels
    print(b)  # a dangerous array of arrays!
    print(b2)  # notice how nice and flat this is
    print(lw)  # wrong when all labels are not the same
    print(lc)  # correct (can test by hand with the data printed)

Answer 1

有tf.squeeze（docs）。这将删除所有大小为1的轴。所以

y2 = tf.squeeze(y)

但请注意，如果某些可变维度（例如批量大小）也恰好为1 - squeeze也会删除此类轴（这可能是您不想要的），这可能会导致问题。你可以使用

y2 = tf.squeeze(y, axis=1)

以防止这种情况（请注意，如果轴1的大小不是1，则会崩溃！）。

有趣的是，似乎tf.squeeze总是会产生至少1d的张量，而不是标量。这与numpy版本不同。即。

tf.squeeze([[1]]) -> array([1])
np.squeeze([[1]]) -> array(1)

希望这足够优雅。

重塑逻辑回归的输出

1 个答案: