ValueError：无法为具有形状“（？，2）”的张量“Placeholder：0”提供形状（2、1000、1）的值

Question

我对此有误：

C:\Users\Akash\PycharmProjects\TensorFlow_lessons\venv\Scripts\python.exe C:/Users/Akash/PycharmProjects/TensorFlow_lessons/TenFlow_01.py 2018-07-06 16:15:56.929521: I T:\src\github\tensorflow\tensorflow\core\platform\cpu_feature_guard.cc:140] 您的 CPU 支持未编译此 TensorFlow 二进制文件以使用的指令：AVX2 回溯（最近一次通话最后）： 文件“C:/Users/Akash/PycharmProjects/TensorFlow_lessons/TenFlow_01.py”，第 45 行，在 feed_dict={输入：training_data['inputs']，targets：training_data['targets']}） 运行中的文件“C:\Users\Akash\PycharmProjects\TensorFlow_lessons\venv\lib\site-packages\tensorflow\python\client\session.py”，第 900 行 run_metadata_ptr) 文件“C:\Users\Akash\PycharmProjects\TensorFlow_lessons\venv\lib\site-packages\tensorflow\python\client\session.py”，第 1111 行，在 _run str(subfeed_t.get_shape()))) ValueError: 无法为形状为“(?, 2)”的张量“Placeholder:0”提供形状 (2, 1000, 1) 的值

进程以退出代码 1 结束

我的代码：

import numpy as np
import tensorflow as tf

"""Data generation"""
obs = 1000
xs = np.random.uniform(-10, 10, (obs, 1))
zs = np.random.uniform(-10, 10, (obs, 1))
generated_inputs = np.stack((xs, zs))
noise = np.random.uniform(-1, 1, (obs, 1))
generated_targets = 2 * xs - 3 * zs + 5 + noise

np.savez('TF_Intro', inputs=generated_inputs, targets=generated_targets)

# solving with tensorflow
input_size = 2
output_size = 1

# outlining the model
inputs = tf.placeholder('float', [None, input_size])  # feeds data to TF_intro file's input column
targets = tf.placeholder('float', [None, output_size])  # same as above to output column

weights = tf.Variable(tf.random_uniform([input_size, output_size], minval=-0.1, maxval=0.1))
biases = tf.Variable(tf.random_uniform([output_size], minval=-0.1, maxval=0.1))

outputs = tf.matmul(inputs, weights) + biases  # matmul is same concpt like dotproduct but its for tensors

"""Choosing objective function and optimization methods"""
mean_loss = tf.losses.mean_squared_error(labels=targets, predictions=outputs) / 2.
optimize = tf.train.GradientDescentOptimizer(learning_rate=0.02).minimize(mean_loss)

"""prepare for execute"""
sess = tf.InteractiveSession()

"""initialisation of variables"""
initializer = tf.global_variables_initializer()  # initialises all tensor objects marked as variables
sess.run(initializer)

"""Load training data"""
training_data = np.load('TF_Intro.npz')

"""learning"""
for e in range(100):
    _, curr_loss = sess.run([optimize, mean_loss],
                            feed_dict={inputs: training_data['inputs'],
                                       targets: training_data['targets']})
    print(curr_loss)

Answer 1

当您遇到与张量形状不匹配有关的错误时，请仔细阅读错误消息：

ValueError: 无法为形状为“(?, 2)”的张量“Placeholder:0”提供形状 (2, 1000, 1) 的值

如果您稍微调试一下代码，您会立即注意到错误是由于training_data['inputs'] 的形状为(2, 1000, 1) 而inputs 的形状为(?, 2)。鉴于它们具有不同的形状，您不能“喂”training_data['inputs'] 为inputs。

这个问题的解决方案取决于你真正想要做什么。

如果您想“连接”xs 和zs，而不是使用generated_inputs = np.stack((xs, zs))，您需要generated_inputs = tf.concat([xs, zs], 1)。在这种情况下，generated_inputs 的形状为 (1000, 2)，因此它可以作为 inputs（形状为 (?, 2)）提供。

但是，如果将generated_inputs = np.stack((xs, zs)) 替换为generated_inputs = tf.concat([xs, zs], 1)，则会出现另一个错误：

_pickle.PicklingError: Can't pickle : 属性查找 SwigPyObject on builtins 失败

这可能是因为您使用np.savez 保存的数组/变量必须具有相同的维度（或者可能是因为我们会尝试保存矩阵？）。你可以解决这个问题，例如通过分别保存xs 和zs。因此，您可能拥有np.savez('TF_Intro', xs=xs, zs=zs, targets=generated_targets)，而不是np.savez('TF_Intro', inputs = generated_inputs, targets=generated_targets)。然后，在执行run 方法之前（在会话中），您可以连接xs 和zs。比如使用下面的代码

...

for e in range(100):
    xs = training_data['xs']
    zs = training_data['zs']
    X = np.concatenate((xs, zs), axis=1)
    T = training_data['targets']

    _, curr_loss = sess.run([optimize, mean_loss],
                            feed_dict={inputs: X,
                                       targets: T})
    print(curr_loss)

注意：如果您执行我建议的更改，您的代码将编译并执行而不会出错，但我不知道这是否是您想要通过代码实现的目标，我不知道不想多说。

顺便问一下，你为什么要生成输入和目标，存储它们，然后从文件中读取它们？为什么不直接使用输入和目标（在这种情况下）？