Tensorflow reshape 问题，ValueError：无法为形状为 '(?, 1, 2)' 的 Tensor u'Placeholder:0' 提供形状 (1, 2) 的值答案

【问题标题】：Tensorflow reshape issue, ValueError: Cannot feed value of shape (1, 2) for Tensor u'Placeholder:0', which has shape '(?, 1, 2)'Tensorflow reshape 问题，ValueError：无法为形状为 '(?, 1, 2)' 的 Tensor u'Placeholder:0' 提供形状 (1, 2) 的值
【发布时间】：2017-05-22 11:27:03
【问题描述】：

我收到以下错误消息： ValueError: 无法为 Tensor u'Placeholder:0' 提供形状 (1, 2) 的值，其形状为 '(?, 1, 2)'

我的训练和测试数据有 2 个特征

[[10, 10],[1,2],[3,2]...]

而我的目标数据是这样的：

[[0, 1], [1, 0], [1, 0]...]

这是我的代码：

training_data = np.vstack(training_data)
training_target = np.vstack(training_target)
test_data = np.vstack(test_data)
test_target = np.vstack(test_target)

learning_rate = 0.001

n_input = 2  
n_steps = 1  
n_hidden = 128  
n_classes = 2  

# tf Graph input
x = tf.placeholder("float", [None, n_steps, n_input])
y = tf.placeholder("float", [None, n_classes])

# Define weights
weights = {
    'out': tf.Variable(tf.random_normal([n_hidden, n_classes]))
}
biases = {
    'out': tf.Variable(tf.random_normal([n_classes]))
}

def RNN(x, weights, biases):
    x = tf.unstack(x, n_steps, 1)

    # Define a lstm cell with tensorflow
    lstm_cell = rnn.BasicLSTMCell(n_hidden, forget_bias=1.0)

    # Get lstm cell output
    outputs, states = rnn.static_rnn(lstm_cell, x, dtype=tf.float32)

    # Linear activation, using rnn inner loop last output
    return tf.matmul(outputs[-1], weights['out']) + biases['out']

pred = RNN(x, weights, biases)

# Define loss and optimizer
cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=pred, labels=y))
optimizer = tf.train.AdamOptimizer(learning_rate=learning_rate).minimize(cost)

# Evaluate model
correct_pred = tf.equal(tf.argmax(pred, 1), tf.argmax(y, 1))
accuracy = tf.reduce_mean(tf.cast(correct_pred, tf.float32))

# Initializing the variables
init = tf.global_variables_initializer()

# Launch the graph
with tf.Session() as sess:
    sess.run(init)
    step = 1

    for i in range(len(training_data)):
        batch_x = training_data[i]
        batch_y = training_target[i]
        print(batch_x)
        print(batch_y)
        batch_x = tf.reshape(batch_x, [1, 2]).eval()
        print(batch_x)
        sess.run(optimizer, feed_dict={x: batch_x, y: batch_y})
        acc = sess.run(accuracy, feed_dict={x: batch_x, y: batch_y})
        loss = sess.run(cost, feed_dict={x: batch_x, y: batch_y})
        print("Iter " + str(step) + ", Minibatch Loss= " + "{:.6f}".format(loss) + ", Training Accuracy= " + "{:.5f}".format(acc))

    print("Optimization Finished!")

    print("Testing Accuracy:", sess.run(accuracy, feed_dict={x: test_data, y: test_target}))

我需要重塑方面的帮助，我还没有实现下一个批处理功能，只是想让它工作。

不包括我正在加载 CSV 文件的部分，等等。

对代码的任何评论都很棒，谢谢。

【问题讨论】：

我在这里看到了很多东西。您的 batch_x 是一个 numpy 数组，因此您应该使用 np.reshape 而不是 tf.reshape （至少为了清楚起见，假设它做正确的事情）。最重要的是，您的 batch_x 第一个维度应该是批次的大小（对应于占位符中的 ? 或 None 维度）。例如，如果您输入大小为 10 的批次，那么 batch_x 应该具有 (10, 1, 2) 的形状，并且在 (?, 1, 2) 张量中输入它没有问题。另一件事，如果您想从对应于同一运行的两个操作中获取结果，请使用：acc, loss = session.run([accuracy, loss])
@AlWld 嗨，谢谢你的评论，仍然不确定你是否理解，我的 batch_x 是 [13.89000034 8.32999992]，我每个循环只迭代一个批次，所以应该是这样的：batch_x = np.reshape(batch_x, (1, 1, 2))，但仍然对我不起作用。我究竟做错了什么？谢谢
应该是：batch_x = np.reshape(batch_x, [1, 1, 2]) 然后 sess.run([accuracy], feed_dict={x: batch_x})。但是，您的代码和错误消息假设您正在执行 batch_x = np.reshape(batch_x, [1, 2])。你能再检查一下吗？谢谢
@AlWld 嗨，我现在有了这个，batch_x = np.reshape(batch_x, [1, 1, 2]) sess.run(optimizer, feed_dict={x: batch_x, y: batch_y }）下面的其他部分准确地被评论，它现在抛出我：文件“/usr/local/lib/python2.7/dist-packages/tensorflow/python/client/session.py”，第961行，在_run％（ np_val.shape, subfeed_t.name, str(subfeed_t.get_shape()))) ValueError: 无法为 Tensor u'Placeholder_1:0' 提供形状 (2,) 的值，它的形状为 '(?, 2)'，真的奇怪，不知道我做错了什么。
很好，你解决了这个问题。这个是用于标签的，所以 batch_y = np.reshape(batch_y, [1, 2]) 你应该很高兴。如果有帮助，请告诉我。

标签： python machine-learning tensorflow recurrent-neural-network

【解决方案1】：

您正在尝试提供不尊重占位符尺寸的数组。例如。对于 batch_x，您尝试将 [1, 2] 输入 [?, 1, 2]，对于 batch_y，您尝试将 [2] 输入 [?, 2]。如果您的 batch_size 为 1，您希望将 [1, 1, 2] 分别输入 [?, 1, 2] 和 [1, 2] 输入 [?, 2] 的 batch_x 和 batch_y。

batch_size = 1
with tf.Session() as sess:
    sess.run(init)
    step = 1

    for i in range(len(training_data)):
        batch_x = training_data[i]
        batch_y = training_target[i]
        batch_x = np.reshape(batch_x, [batch_size, 1, 2])
        batch_y = np.reshape(batch_y, [batch_size, 2])
        [_, acc, loss] = sess.run([optimizer, accuracy, cost], feed_dict={x: batch_x, y: batch_y})
        print("Iter " + str(step) + ", Minibatch Loss= " + "{:.6f}".format(loss) + ", Training Accuracy= " + "{:.5f}".format(acc))

【讨论】：