Tensorflow의 모양

Question

Tensorflow를 처음 사용하여 모양이 결합 된 (n,)의 모양이 (n,1) 인 경우 문제가 있습니다. 나는 한 번에 하나의 예를 공급하여 확률 그라데이션 하강을 구현하기 위해 노력하고

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}) 

:

나는이 코드를 가지고있다. 문제는 모양이 (num_of_features,) 인 데이터를 공급하는 것 같지만 다른 기능을 올바르게 사용하려면 (num_of_features,1)이 필요합니다.

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

오류이다 :이 함수 (Y)의 예측 연산에 관해서

예를 들어, 이전에 소정의 코드는 에러 발생 전 tf.reshape를 사용하려고 시도 하였다

ValueError: Shape must be rank 2 but is rank 1 for 'MatMul' (op: 'MatMul') with input shapes: [1,3197], [3197].

X 및 y으로이 문제를 해결했지만 다른 곳에서는 오류가 발생했습니다.

feed_dict={X: cur_x, y: cur_y}의 데이터를 "올바른"모양으로 공급할 수 있습니까?

또는 이것을 올바르게 구현하는 방법은 무엇입니까?

감사합니다. 행렬 곱셈에 대한

Answer 1

, 당신은

(A, B) * (B, C) = 모양의 규칙을 따라야합니다 (A, C) 당신이 있기 때문에 그것을 바꿀 필요가 것을 의미

을 코드의 모양이 뒤 따르지 않습니다. 재구성 한 후에 어떤 오류가 발생했는지 보여주는 것이 도움이 될 것입니다. 이것은 당신에게 몇 가지 힌트

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]