Tensorflow：输入标签或特征向量似乎形状错误

Question

我目前正在开始使用 TensorFlow 2.0，我刚刚阅读了有关估算器类的信息。

我创建了一个简单的 XOR 生成器，它为我提供了 2D 坐标（numpy 数组）和一个标签。

数据正确标准化，一切正常，直到第 40 行，此时我收到以下错误：

ValueError: 无法用 2 个元素重塑张量以形成 [2,2] (4 元素）对于'{{节点 dnn/input_from_feature_columns/input_layer/X_1/Reshape}} = 重塑[T=DT_FLOAT, Tshape=DT_INT32](dnn/input_from_feature_columns/input_layer/X_1/ExpandDims, dnn/input_from_feature_columns/input_layer/X_1/Reshape/shape)' 与 输入形状：[2,1]、[2]，输入张量计算为部分 形状：输入[1] = [2,2]。

这对我来说没有意义，因为我检查了我的输入形状，它确实是指定的 (2,) 并且标签是一个标量张量：

({'X': <tf.Tensor: shape=(2,), dtype=float64, numpy=array([ 0.2885114 , -0.77485602])>}, <tf.Tensor: shape=(), dtype=float64, numpy=0.0>)

代码如下：

import tensorflow as tf
import XorGenerator as XOR
import matplotlib.pyplot as plt
import numpy as np
from sklearn.preprocessing import StandardScaler as SC

@tf.function
def trainingData(X, y, batchSize=1):
    y = tf.cast(y, tf.uint8)
    y = tf.one_hot(y, depth=2, on_value=1, off_value=0)
    dataset = tf.data.Dataset.from_tensor_slices(({'data' : X}, y))
    #dataset.batch(batchSize)

    return dataset.repeat()

def main():
    X, y = XOR.XOR(400)     # X: float 2D-coordinates, y: class labels (-1 and 1)

    y = np.where(y == -1, np.zeros(shape=y.shape), y)   # labels from (-1 and 1) to (0 and 1)

    sc = SC(with_mean=True, with_std=True)
    X = sc.fit_transform(X)

    BATCH_SIZE = 1
    EPOCHS = 10
    N_SAMPLES = 400

    inputFeatureColumns = [tf.feature_column.numeric_column(key='data', shape=(2))]

    estimator = tf.estimator.DNNClassifier(hidden_units=[32, 16], feature_columns=inputFeatureColumns, n_classes=2, 
                                            activation_fn=tf.nn.sigmoid, optimizer='SGD')
    estimator.train(input_fn=lambda: trainingData(X, y, BATCH_SIZE), steps=EPOCHS * N_SAMPLES / BATCH_SIZE)    

if __name__ == "__main__":
    main()

异或生成器：

import numpy as np
import matplotlib.pyplot as plt

def sign(x):
    return 1 if x > 0 else -1

def XOR(nSamples):
    resX = [np.random.random(size=2) * 2 - 1 for _ in range(nSamples)]
    resY = [np.random.random(size=2) * 2 - 1 for _ in range(nSamples)]

    for x in range(nSamples):
        resY[x] = sign(resX[x][0] * resX[x][1])

    return np.array(resX), np.array(resY)

Answer 1

模型的输出形状为2，为n_classes=2，您的标签为1，形状为<tf.Tensor: shape=(), dtype=float64, numpy=0.0>。在计算损失时，您需要减去这两个向量，因为它们具有不同的形状，所以您不能这样做。您应该使用tf.one_hot将您的标签转换为一种热编码。

编辑： 试试这个：

import tensorflow as tf
import matplotlib.pyplot as plt
import numpy as np
from sklearn.preprocessing import StandardScaler as SC

@tf.function
def trainingData(X0, X1, y, batchSize=1):
    dataset = tf.data.Dataset.from_tensor_slices(({'data0' : X0, 'data1':X1}, y))
    return dataset.repeat()

def main():
    X, y = np.asarray([[1.0,2.5] for i in range(200)]), np.asarray([1 for i in range(200)])
    y = np.expand_dims(np.asarray(np.where(y == -1, np.zeros(shape=y.shape), y)),1)  
    sc = SC(with_mean=True, with_std=True)
    X = sc.fit_transform(X)
    BATCH_SIZE = 1
    EPOCHS = 10
    N_SAMPLES = 400

    inputFeatureColumns = [tf.feature_column.numeric_column(key='data0', shape=(1,)), tf.feature_column.numeric_column(key='data1', shape=(1,))]

    estimator = tf.estimator.DNNClassifier(hidden_units=[32, 16], feature_columns=inputFeatureColumns, n_classes=2, 
                                            activation_fn=tf.nn.sigmoid, optimizer='SGD')
    estimator.train(input_fn=lambda: trainingData(np.expand_dims(X[:,0],1),np.expand_dims(X[:,1],1), y, BATCH_SIZE), steps=EPOCHS * N_SAMPLES / BATCH_SIZE)    

if __name__ == "__main__":
    main()

我无法安装XorGenerator，所以您仍然需要更改一些内容。它运行，但我不确定它是否符合您的要求。