在最大池化 ValueError 后重塑张量：形状不兼容

Question

我正在基于this example构建适合我自己数据的CNN

基本上，我的数据有 3640 个特征；我有一个卷积层，然后是一个池化层，它汇集了所有其他特征，所以我最终得到维度 (?, 1, 1819, 1)，因为在卷积层 / 2 == 1819 之后有 3638 个特征。

当我尝试在池化后重塑我的数据以将其以 [n_samples, n_fetures] 形式获取时

    print("pool_shape", pool_shape) #pool  (?, 1, 1819, 10)
    print("y_shape", y_shape) #y  (?,)

    pool.set_shape([pool_shape[0], pool_shape[2]*pool_shape[3]])
    y.set_shape([y_shape[0], 1])

我收到一个错误：

ValueError: Shapes (?, 1, 1819, 10) and (?, 18190) are not compatible

我的代码：

N_FEATURES = 140*26
N_FILTERS = 1
WINDOW_SIZE = 3

def my_conv_model(x, y):

    x = tf.cast(x, tf.float32)
    y = tf.cast(y, tf.float32)

    print("x ", x.get_shape())
    print("y ", y.get_shape())

    # to form a 4d tensor of shape batch_size x 1 x N_FEATURES x 1
    x = tf.reshape(x, [-1, 1, N_FEATURES, 1])
    # this will give you sliding window of 1 x WINDOW_SIZE convolution.
    features = tf.contrib.layers.convolution2d(inputs=x,
                                               num_outputs=N_FILTERS,
                                               kernel_size=[1, WINDOW_SIZE],
                                               padding='VALID')

    print("features ", features.get_shape()) #features  (?, 1, 3638, 10)

    # Max pooling across output of Convolution+Relu.
    pool = tf.nn.max_pool(features, ksize=[1, 1, 2, 1],
                             strides=[1, 1, 2, 1], padding='SAME')

    pool_shape = pool.get_shape()
    y_shape = y.get_shape()
    print("pool_shape", pool_shape) #pool  (?, 1, 1819, 10)
    print("y_shape", y_shape) #y  (?,)

### here comes the error ###
    pool.set_shape([pool_shape[0], pool_shape[2]*pool_shape[3]])
    y.set_shape([y_shape[0], 1])

    pool_shape = pool.get_shape()
    y_shape = y.get_shape()
    print("pool_shape", pool_shape) #pool  (?, 1, 1819, 10)
    print("y_shape", y_shape) #y  (?,)

    prediction, loss = learn.models.logistic_regression(pool, y)
    return prediction, loss

如何重塑数据以获得任何有意义的表示，然后将其传递给逻辑回归层？

Answer 1

这看起来像是 Tensor.set_shape() 方法和 tf.reshape() 运算符之间的混淆。在这种情况下，您应该使用tf.reshape()，因为您正在更改pool 和y 张量的形状：

• tf.reshape(tensor, shape) 运算符采用任意形状的 tensor，并返回具有给定 shape 的张量，只要它们具有相同数量的元素。此运算符应用于更改输入张量的形状。

• tensor.set_shape(shape) 方法采用可能具有部分已知或未知形状的 tensor，并向 TensorFlow 断言它实际上具有给定的 shape。此方法应该用于提供有关特定张量形状的更多信息。

  它可以用于，例如，当您获取具有与数据相关的输出形状（例如tf.image.decode_jpeg()）的运算符的输出并断言它具有静态形状（例如，基于关于数据集中的图像）。

在您的程序中，您应该将对set_shape() 的调用替换为以下内容：

pool_shape = tf.shape(pool)
pool = tf.reshape(pool, [pool_shape[0], pool_shape[2] * pool_shape[3]])

y_shape = tf.shape(y)
y = tf.reshape(y, [y_shape[0], 1])

# Or, more straightforwardly:
y = tf.expand_dims(y, 1)