你能在 Tensorflow 占位符中转置/反转形状吗？

Question

假设我的输入数据 x 的形状为 (2000, 2)，其中 2000 是样本数，2 是特征数。

所以对于这个输入数据，我可以像这样设置一个占位符： x = tf.placeholder(tf.float32, shape=[None, 2], name='features')

我的问题是，如果我转置输入数据 x，使形状现在为 (2, 2000)，其中 2000 仍然是样本数，我将如何更改 tf.placeholder 中的“形状”参数？

我尝试设置 shape=[2, None]，但我得到了一个错误。 “形状”参数中的第一个元素是否总是必须是“无”？ 这里我得到的错误是：“ValueError：应该定义Dense的输入的最后一个维度。找到None。”

import tensorflow as tf
# Binary Classifier Implementation

# Training data
x_train = np.transpose(X) #shape=(2, 2000)
y_train = np.hstack((np.zeros((1, 1000)),np.zeros((1, 1000)) + 1)) #shape=(1, 2000)


# Variables
x = tf.placeholder(tf.float32, shape=[2, None], name='features')
y_ = tf.placeholder(tf.int64, shape=[1, None], name='labels')
h1 = tf.layers.dense(inputs=x, units=50, activation=tf.nn.relu) #one hidden layer with 50 neurons
y = tf.layers.dense(inputs=h1, units=1, activation=tf.nn.sigmoid) #one output layer with 1 neuron


# Functions
#loss
cross_entropy = tf.losses.sigmoid_cross_entropy(multi_class_labels=y_, logits=y)
train_step = tf.train.GradientDescentOptimizer(0.1).minimize(cross_entropy)


# Initializer
init = tf.global_variables_initializer()

with tf.Session() as sess:
    sess.run(init)
    for i in range(1000):
        sess.run([cross_entropy], feed_dict={x: x_train, y_: y_train})

Answer 1

我认为您可能会遇到形状不一致的问题，而不是转置或在第一个暗淡之外的其他地方具有未定义的尺寸大小。
以下事情对我来说很好：

import tensorflow as tf

x = tf.placeholder(tf.float32, shape=[None, 2])
x_t = tf.transpose(x)
y = tf.placeholder(tf.float32, shape=[2, None])

print(x_t.shape)
>> TensorShape([Dimension(2), Dimension(None)])

print(y.shape)
>> TensorShape([Dimension(2), Dimension(None)])

我假设第一个维度可能是您的批量大小？您是否可能与此不一致或提供了错误形状的数据？
或者您可能正在尝试手动更改张量的形状？ （如果是这样，那么您就不需要。tf 会在我的示例中处理这一点）。
如果您不知道您遇到的错误、代码 sn-p 或任何比模糊和笼统的描述更多的东西，这是最有帮助的，但我希望它仍然有帮助。
祝你好运！

---

由于更新的问题而更新：
你得到的错误是告诉你到底是什么问题。你可以转置任何你想要的东西，但是dense 层特别不能接受 last 维度为None 的张量。这是有道理的；例如，如果不知道权重矩阵的大小，您将无法创建完全连接的层。
如果您要转置x，那么您是在说您有 2000 个特征（和 2 个数据点）并且 NN 需要知道这一点才能创建您要使用的参数火车。
如果您仍然认为自己有 2 个特征和许多示例，那么您首先不应该使用 (2, 2000) 的形状！
请尝试以下操作：

# Training data
x_train = X #shape=(2000, 2)
y_train = np.hstack((np.zeros((1000, 1)),np.zeros((1000, 1)) + 1)) #shape=(2000, 1)


# Variables
x = tf.placeholder(tf.float32, shape=[None, 2], name='features')
y_ = tf.placeholder(tf.int64, shape=[None, 1], name='labels')
h1 = tf.layers.dense(inputs=x, units=50, activation=tf.nn.relu) #one hidden layer with 50 neurons
y = tf.layers.dense(inputs=h1, units=1, activation=tf.nn.sigmoid) #one output layer with 1 neuron


# Functions
#loss
cross_entropy = tf.losses.sigmoid_cross_entropy(multi_class_labels=y_, logits=y)
train_step = tf.train.GradientDescentOptimizer(0.1).minimize(cross_entropy)


# Initializer
init = tf.global_variables_initializer()

with tf.Session() as sess:
    sess.run(init)
    for i in range(1000):
        sess.run([cross_entropy], feed_dict={x: x_train, y_: y_train})

希望这会有所帮助。

---

在一个完全不同且不相关的注释中：我希望您知道以这种方式将 2 个特征嵌入到 50 维空间中时您在做什么。