所以我有这段代码一直有效,直到我想让它为我绘制张量板:
import numpy as np
import tensorflow as tf
import tqdm
from sklearn.model_selection import train_test_split
from tensorflow.python.framework import ops
ops.reset_default_graph()
x = np.linspace(0, 10, 1000, dtype='float32')
y = np.sin(x) + np.random.normal(size=len(x))
X_train, X_test, y_train, y_test = train_test_split(x, y, test_size=.3)
x_ = tf.placeholder(name="input", shape=None, dtype=np.float32)
y_ = tf.placeholder(name="output", shape=None, dtype=np.float32)
w = tf.Variable(tf.random_normal([]), name='w')
b = tf.Variable(tf.random_normal([]), name='bias')
model_output = tf.add(tf.multiply(x_, w), b)
loss = tf.reduce_mean(tf.pow(y_ - model_output, 2), name='loss')
train_step = tf.train.GradientDescentOptimizer(0.0025).minimize(loss)
summary_writer = tf.summary.FileWriter('linreg')
for value in [x_, model_output, w, loss]:
tf.summary.scalar(value.op.name, value)
summaries = tf.summary.merge_all()
n_epochs = 100
train_errors = []
test_errors = []
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
for i in tqdm.tqdm(range(n_epochs)): # 100
_, train_err = sess.run([train_step, loss],
feed_dict={x_: X_train, y_: y_train})
train_errors.append(train_err)
test_errors.append(
sess.run(loss, feed_dict={x_: X_test, y_: y_test}))
summary_writer.add_summary(sess.run(summaries), i)
有了这个我得到:
InvalidArgumentError (see above for traceback): You must feed a value for placeholder tensor 'input' with dtype float
[[Node: input = Placeholder[dtype=DT_FLOAT, shape=[], _device="/job:localhost/replica:0/task:0/cpu:0"]()]]
所以如果我理解正确的话,它要求我输入 feed_dict,好吧,让我们修改最后一行:
summary_writer.add_summary(sess.run(summaries, feed_dict={x_: X_train, y_: y_train}), i)
现在我们有:
InvalidArgumentError (see above for traceback): tags and values not the same shape: [] != [700] (tag 'input_1')
[[Node: input_1 = ScalarSummary[T=DT_FLOAT, _device="/job:localhost/replica:0/task:0/cpu:0"](input_1/tags, _recv_input_0)]]
所以,weight 想要和 x 一样的形状,我可以做到:
w = tf.Variable(tf.random_normal([700]), name='w')
但是 X_test 呢?它只有 300 行:
InvalidArgumentError (see above for traceback): Incompatible shapes: [300] vs. [700]
[[Node: Mul = Mul[T=DT_FLOAT, _device="/job:localhost/replica:0/task:0/cpu:0"](_recv_input_0, w/read)]]
那么我应该动态改变 w 形状吗?或获取 w1 和 w2 进行训练和测试?如何张量板?
============================================= =========================
塑造时间。 在变量和占位符的形状规范之后:
x_ = tf.placeholder(name="input", shape=[None, 1], dtype=np.float32)
y_ = tf.placeholder(name="output", shape=[None, 1], dtype=np.float32)
w = tf.Variable(tf.random_normal([1, 1]), name='w')
b = tf.Variable(tf.random_normal([1]), name='bias')
我们可以看到输出数据也应该是正确的:
ValueError: Cannot feed value of shape (700,) for Tensor 'input:0', which has shape '(?, 1)'
所以最后一段代码看起来像这样(在数据上添加了 reshape ):
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
for i in tqdm.tqdm(range(n_epochs)):
_, train_err, summ = sess.run([train_step, loss, summaries],
feed_dict={x_: X_train.reshape(len(X_train), 1), y_: y_train.reshape(len(y_train), 1)})
summary_writer.add_summary(summ, i)
train_errors.append(train_err)
test_errors.append(
sess.run(loss, feed_dict={x_: X_test.reshape(len(X_test), 1), y_: y_test.reshape(len(y_test), 1)}))
当前错误:
InvalidArgumentError (see above for traceback): tags and values not the same shape: [] != [1,1] (tag 'w_1')
[[Node: w_1 = ScalarSummary[T=DT_FLOAT, _device="/job:localhost/replica:0/task:0/cpu:0"](w_1/tags, w/read)]]
现在,我什至不知道什么张量具有 [] 的形状。
============================================= ===============
结束时间。
tf.summary.scalar([value.op.name], value)
不行,因为 tf.summary.scalar 的 first/name 参数需要字符串或字节,否则会报错。
所以 name 无论如何都是 [] 的形状,让我们接受它并稍微更改代码:
w = tf.Variable(tf.random_normal([]), name='w')
b = tf.Variable(tf.random_normal([]), name='bias')
...
for value in [w, b, loss]:
tf.summary.scalar(value.op.name, value)
终于成功了
最佳答案
x_ 是一个占位符,它将包含您的输入值。它在图表中没有任何固定值,它唯一的值是您提供的值。所以你只需要使用:
summary_writer.add_summary(sess.run(summaries, feed_dict={x_: X_train, y_: y_train}), i)
但这样做会使您对所有内容进行两次计算。您应该使用的是:
_, train_err, summ = sess.run([train_step, loss, summaries],
feed_dict={x_: X_train, y_: y_train})
summary_writer.add_summary(summ, i)
这样您的训练步骤和汇总计算就会同时发生。
编辑:
看起来你只是有整形问题,只有 tensorboard 才能揭示这些问题......
您的占位符 x_ 应声明为
[None, n_features]
形状(此处为n_features = 1
,因此您也可以只使用[None]
。我真的不知道None
是做什么的,也许你的问题来自于那也许不是......)y 的形状应该是
[None, n_outputs]
,所以这里是[None, 1]
。可能None
或[None]
也有效。w 的形状应为
[n_features, n_outputs]
,在您的情况下为[1, 1]
。您不能根据批量大小调整它的形状,这在机器学习方面是无稽之谈(至少如果您尝试从x
学习sin(x)
> 单独而不是来自批处理的其余部分,这没有多大意义)b
的形状应该是[n_outputs]
,所以这里是[1]
。
如果指定所有这些形状是否有效?
编辑 2
这是一个整形问题。答案是 here ,看来你只需要更换
tf.summary.scalar(value.op.name, value)
与
tf.summary.scalar([value.op.name], value)
关于python - tensorflow 。如何张量板,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/44673174/