TensorFlow 中的形状

Question

我是 Tensorflow 的新手，在将形状 (n,) 与形状 (n,1) 组合时遇到问题。

我有这个代码：

if __name__ == '__main__':
    trainSetX, trainSetY = utils.load_train_set()

    # create placeholders & variables
    X = tf.placeholder(tf.float32, shape=(num_of_features,))
    y = tf.placeholder(tf.float32, shape=(1,))
    W, b = initialize_params()

    # predict y
    y_estim = linear_function(X, W, b)
    y_pred = tf.sigmoid(y_estim)

    # set the optimizer
    loss = tf.nn.sigmoid_cross_entropy_with_logits(labels=y, logits=y_pred)
    loss_mean = tf.reduce_mean(loss)
    optimizer = tf.train.GradientDescentOptimizer(learning_rate=alpha).minimize(loss_mean)

    # training phase
    init = tf.global_variables_initializer()
    with tf.Session() as sess:
        sess.run(init)
        for idx in range(num_of_examples):
            cur_x, cur_y = trainSetX[idx], trainSetY[idx]
            _, c = sess.run([optimizer, loss_mean], feed_dict={X: cur_x, y: cur_y})

我正在尝试通过当时提供一个示例来实现随机梯度下降。问题是它似乎以(num_of_features,) 的形式提供数据，而我需要(num_of_features,1) 才能正确使用其他功能。

例如，前面给出的代码在使用此函数计算 y 的预测时会导致错误：

def linear_function(x, w, b):
    y_est = tf.add(tf.matmul(w, x), b)
    return y_est

错误是：

ValueError：形状必须为 2 级，但对于输入形状为 [1,3197]、[3197] 的“MatMul”（操作：“MatMul”）为 1 级。

我试图将tf.reshape 与X 和y 一起使用以某种方式解决此问题，但它在其他地方导致了错误。

是否可以以“正确”的形状提供feed_dict={X: cur_x, y: cur_y} 中的数据？

或者正确实现这一点的方法是什么？

谢谢。

Answer 1

对于矩阵乘法，您需要遵循形状规则

(a, b) * (b, c) = (a, c)

这意味着您确实需要重塑它，因为您的代码中的形状没有跟随它。显示重塑后出现的错误会有所帮助。

希望这能给你一些提示

import tensorflow as tf

a = tf.constant([1, 2], shape=[1, 2])
b = tf.constant([7, 8], shape=[2])

print(a.shape) # => (1, 2)
print(b.shape) # => (2,)

sess = tf.Session()

# r = tf.matmul(a, b)
# print(sess.run(r)) # this gives you error

c = tf.reshape(b, [2, 1])
print(c.shape) # => (2, 1)

r = tf.matmul(a, c)
foo = tf.reshape(r, [1])
foo = sess.run(foo)
print(foo) # this gives you [23]