Question

我正在尝试进行多元线性回归，但遇到了一些问题。即，我收到以下错误：

ValueError: Cannot feed value of shape (3,) for Tensor 'X:0', which has shape '(1, 3)'

我有3个特征变量，分别称为trainX和1个标签，分别称为trainY。它们的形状如下（它们是numpy数组）：

trainX.shape:
(2500, 3)
trainY.shape:
(2500,)

以下代码定义了我用来计算模型的张量：

X = tf.compat.v1.placeholder("float", [1, 3], name="X")
Y = tf.compat.v1.placeholder("float", [1], name="Y")

W = tf.Variable(tf.zeros([3, 1]), name="W")
b = tf.Variable(tf.zeros([1]), name="b")

我通过执行以下操作来计算预测标签，成本函数和优化程序：

predicted_y = tf.matmul(X, W) + b
cost = tf.reduce_sum(tf.pow(predicted_y-Y, 2)) / (2 * n)
optimizer = tf.compat.v1.train.GradientDescentOptimizer(learning_rate).minimize(cost)

我在张量流会话中收到错误，即以下代码：

with tf.Session() as sess:
    sess.run(init)
    for epoch in range(training_epochs):
        for (_x, _y) in zip(trainX, trainY):
            sess.run(optimizer, feed_dict={X: _x, Y: _y})
        if (epoch + 1) % 100 == 0:
            c = sess.run(cost, feed_dict={X: trainX, Y: trainY})
            print("Epoch", (epoch + 1), ": cost =", c, "W =", sess.run(W), "b =", sess.run(b))
    # Storing necessary values to be used outside the Session
    training_cost = sess.run(cost, feed_dict={X: trainX, Y: trainY})
    weight = sess.run(W)
    bias = sess.run(b)

任何帮助将不胜感激。

Answer 1

问题在于_x是一个包含3个元素的向量，而X期望一个包含1行3列的矩阵。一种可能的解决方案是重塑_x：

_x = np.reshape(_x, [1, 3])

另一种可能性是将占位符更改为输入形状：

X = tf.compat.v1.placeholder("float", [3], name="X")

通常一个人想训练一个以上的例子。在这种情况下，您可能需要定义占位符以允许任意数量的输入：

X = tf.compat.v1.placeholder("float", [None, 3], name="X")
Y = tf.compat.v1.placeholder("float", [None], name="Y")

然后我们可以使用100个批次：

with tf.Session() as sess:
    sess.run(init)
    for epoch in range(training_epochs):
        for i in range(trainX.shape[0] % 100):
            sess.run(optimizer, feed_dict={X: trainX[i*100:(i+1)*100, ...], Y: trainY[i*100:(i+1)*100]})

Tensorflow中形状不匹配的形状

1 个答案: