占位符的尺寸如何用于张量流？

Question

因此，假设我有x_train和y_train，它们是数组，并且该数组的每个元素都是一个数据点（以数组形式）（所以x_train的形式为x_train [i] [j]）。所以x_train [0]代表训练集中的第一个数据点（以数组形式），并假设我想创建一个简单的回归

所以我对此进行了编码

input = tf.placeholder(tf.float32, shape=[len(data[0]),None])
target = tf.placeholder(tf.flaot32, shape=[len(data[0]),None])

network = tf.layers.Dense(10, tf.keras.activations.relu)(input)
network = tf.layers.BatchNormalization()(network)

network = tf.layers.Dense(10,tf.keras.activations.relu)(network)
network = tf.layers.BatchNormalization()(network)

network = tf.layers.Dense(10,tf.keras.activations.linear)(network)

cost = tf.reduce_mean((target - network)**2)

optimizer = tf.train.AdamOptimizer().minimize(cost)

with tf.Session() as sess:
     for epoch in range(1000):
           _, val = sess.run([optimizer,cost], feed_dict={input: x_train, target: y_train})
           print(val)

但这是正确的吗？我不确定占位符的尺寸是否匹配。当我尝试运行此代码时， 我收到错误消息

ValueError: The last dimension of the inputs to `Dense` should be defined. Found `None`.

所以我试图将尺寸尺寸的位置换成占位符，所以 更改后的占位符是 输入= tf.placeholder（tf.float32，shape = [None，len（data [0]）]） target = tf.placeholder（tf.float32，shape = [None，len（data [0]）]）

但是有了这些，我就会收到错误消息

tensorflow.python.framework.errors_impl.FailedPreconditionError: Attempting to use uninitialized value dense/bias
 [[{{node dense/bias/read}}]]

Answer 1

我能够通过在优化前先在{{1}的function FirstReverse(str) { let characterIndex, newstr = ""; for (characterIndex = str.indexOf(str[str.length - 1]); characterIndex >= 0; --characterIndex) { newstr += str[characterIndex]; } return newstr; } console.log(FirstReverse("hello world"));和np.expand_dims()上执行x_train和y_train并使用axis=0初始化batch_norm和网络参数来解决上述问题该模型。

注意：占位符形状的第一个维度中sess.run(tf.global_variable_initializer())的存在是可以的，因为当batch_size未知时，它允许TensorFlow训练模型（即使对于占位符形状的其他维度也是如此）。该错误是由于输入和占位符尺寸不匹配引起的。您的输入（None和x_train可能是一维张量，而占位符要么需要二维张量，要么需要将维矢量重塑为二维。

请找到我下面的实现，以及用于验证实现的y_train图：

matplotlib

这是费用与时期的图：

成本与时代

另外，要测试网络上的新数据（例如）import tensorflow as tf import numpy as np import matplotlib.pyplot as plt %matplotlib inline data = [[1,2,3,4,5,6,7,8,9,10], [11,12,13,14,15,16,17,18,19,20]] x_train = data[0] y_train = data[1] x_train = np.expand_dims(x_train, 0) y_train = np.expand_dims(y_train, 0) input = tf.placeholder(tf.float32, shape=[None, len(data[0])]) target = tf.placeholder(tf.float32, shape=[None, len(data[1])]) network = tf.layers.Dense(10, tf.keras.activations.relu)(input) network = tf.layers.BatchNormalization()(network) network = tf.layers.Dense(10,tf.keras.activations.relu)(network) network = tf.layers.BatchNormalization()(network) network = tf.layers.Dense(10,tf.keras.activations.linear)(network) cost = tf.reduce_mean((target - network)**2) optimizer = tf.train.AdamOptimizer().minimize(cost) costs = [] with tf.Session() as sess: sess.run(tf.global_variables_initializer()) for epoch in range(1000): _, val = sess.run([optimizer,cost], feed_dict={input: x_train, target: y_train}) costs.append(val) print(val) fig, ax = plt.subplots(figsize=(11, 8)) ax.plot(range(1000), costs) ax.set_title("Costs vs epochs") ax.set_xlabel("Epoch") ax.set_ylabel("Avg. val. accuracy") ，可以使用以下代码：

x_test = [[21,22,23,24,25,26,27,28,29,30]]

PS：确保使用与上面创建的相同的Tensorflow会话 y_pred = sess.run(network,feed_dict={input: x_test}) 来运行推理（除非您不保存和加载模型检查点）