Question

我想使用TensorFlow训练一些潜在的（直到运行时才可用）变量。我收到以下错误：“ ValueError：设置具有序列的数组元素。”

如果我使用恒定值初始化'a'，我可以获得预期的结果，但是我的应用程序不允许在运行时知道'a'的值，并且我打算在以后使用梯度下降来对其进行优化他们变得可用。看起来“占位符”提供了此功能，但是我显然需要正确使用它们的帮助。我想知道将潜在变量馈入TensorFlow图的正确方法。这是简化的复制品：

import tensorflow as tf
import numpy as np

a = tf.placeholder(tf.float64, [2, 1])
b = tf.Variable(np.array([[1., 3.]]))
c = tf.matmul(a, b)

latent = tf.Variable(np.array([[2.],[3.]]))

init_op = tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init_op)
    print(sess.run(c, feed_dict={a: latent}))

预期结果： [[2. 6.] [3. 9。]]

实际结果： ValueError：设置具有序列的数组元素。

Answer 1

您可以做两件事。您可以从占位符初始化变量，然后将其初始化为提供给该占位符的值。

import tensorflow as tf

latent_init_val = tf.placeholder(tf.float64, [1, 2])
latent = tf.Variable(latent_init_val)
init_op = tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init_op, feed_dict={latent_init_val: [[2., 3.]]})

或者您可以简单地使用变量的load方法来设置其值，而无需使用任何其他对象。

import tensorflow as tf

# Initial value only matters for shape here
latent = tf.Variable([[0., 0.]], dtype=tf.float64)
with tf.Session() as sess:
    latent.load([[2., 3.]], sess)

Answer 2

尝试以下方法：

feed_dict = {a: np.array([[2.],[3.]])}

您不能输入变量/张量。相反，您可以先评估变量的值，然后将其提供给占位符。

import tensorflow as tf
import numpy as np

a = tf.placeholder(tf.float64, [2, 1])
b = tf.Variable(np.array([[1., 3.]]))
c = tf.matmul(a, b)

latent = tf.Variable(np.array([[2.],[3.]]))
init_op = tf.global_variables_initializer()

with tf.Session() as sess:
    sess.run(init_op)
    latent_val = latent.eval() # <-- evaluate the value of the variable
    print(sess.run(c, feed_dict={a: latent_val}))
    # [[2. 6.]
    #  [3. 9.]]

一个如何将潜在变量输入TensorFlow图？

2 个答案: