tf.matmul无法正常工作

Question

我尝试在张量流中写入和（逻辑运算），有两个输入和两个权重乘以得到一个数字并将此数字加到偏差，我的问题在matmul中发送X（输入）和W（权重）到方法在形状。 [[1]，[1]]用于X（垂直），[0.49900547,0.49900547]用于W（水平）得到一个数字作为结果，但是它给了我两个数字，我怎么做才能乘以？ 这是我的代码>>

import tensorflow as tf
import numpy
rng = numpy.random

# Parameters
learning_rate = 0.01
training_epochs = 2000
display_step = 50

# Training Data
train_X = numpy.asarray([[[1.0],[1.0]],[[1.0],[0.0]],[[0.0],[1.0]],[[0.0],[0.0]]])
train_Y = numpy.asarray([1.0,0.0,0.0,0.0])
n_samples = train_X.shape[0]

# tf Graph Input
X = tf.placeholder("float",[2,1],name="inputarr")
Y = tf.placeholder("float",name = "outputarr")

# Create Model

# Set model weights
W = tf.Variable(tf.zeros([1,2]), name="weight")
b = tf.Variable(rng.randn(), name="bias")

# Construct a linear model
activation = tf.add(tf.matmul(X,W), b)
mulres = tf.matmul(X,W)

# Minimize the squared errors
cost = tf.reduce_sum(tf.pow(activation-Y, 2))/(2*n_samples) #L2 loss
optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(cost) #Gradient descent

# Initializing the variables
init = tf.initialize_all_variables()

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

    # Fit all training data
    for epoch in range(training_epochs):
        for (x, y) in zip(train_X, train_Y):
            sess.run(optimizer, feed_dict={X: x, Y: y})

        #Display logs per epoch step
        if epoch % display_step == 0:
            print "Epoch:", '%04d' % (epoch+1),  \
                "W=", sess.run(W), "b=", sess.run(b) , "x= ",x," y =", y," result :",sess.run(mulres,feed_dict={X: x})

    print "Optimization Finished!"
    print  "W=", sess.run(W), "b=", sess.run(b), '\n'


    # Testing example, as requested (Issue #2)
    test_X = numpy.asarray([[1.0,0.0]])
    test_Y = numpy.asarray([0])

    for x, y in zip(train_X, train_Y):
        print "x: ",x,"y: ",y
        print "Testing... (L2 loss Comparison)","result :",sess.run(mulres, feed_dict={X: x})
        print sess.run(tf.matmul(X, W),feed_dict={X: x})
        print "result :"
        predict = sess.run(activation,feed_dict={X: x})
        print predict

Answer 1

与标准矩阵乘法一样，如果A具有形状[m, k] ，并且B具有形状[k, n] ，则tf.matmul(A, B)具有形状[m, n] （ m行， n列，订单TensorFlow使用）。

在你的程序中，你正在计算tf.matmul(X, W) 。 X被定义为具有形状[2, 1]的占位符; W被定义为初始化为零的[1, 2]矩阵的变量。 因此，当我在本地运行代码时， mulres = tf.matmul(X, W)将具有形状[2, 2] ，这是打印的result: ... （ result: ... ）。

如果要使用单个输出定义隐藏层，则更改很简单：

W = tf.Variable(tf.zeros([1,2]), name="weight")

......应该替换为：

W = tf.Variable(tf.zeros([2, 1]), name="weight")

（实际上，将权重初始化为tf.zeros会阻止它进行训练，因为所有输入元素在反向传播中都会得到相同的渐变。相反，您应该随机初始化它们，例如使用：

W = tf.Variable(tf.truncated_normal([2, 1], stddev=0.5), name="weight")

这将使网络能够为权重的每个组成部分学习不同的值。）

Answer 2

matmul直接在张量上运行，在你的情况下有2行1列。

在matmul有一个参数可以转换任何一个条目：

matmul(X, W, transpose_a=True)

你可以在这里查看文档： docs