TensorFlow / TFLearn：ValueError：无法为Tensor u'target / Y：0'提供形状值（64，），其形状为'（？，10）'

Question

我一直在尝试使用tflearn和我自己的数据集执行回归。

使用tflearn我一直在尝试使用MNIST数据集实现基于示例的卷积网络。 我没有使用MNIST数据集，而是尝试用我自己的数据替换训练和测试数据。 我的数据是从csv文件中读取的，与MNIST数据的形状不同。 我有255个功能，代表15 * 15网格和目标值。 在示例中，我将行替换为24-30（并包含import numpy as np）：

#read in train and test csv's where there are 255 features (15*15) and a target
csvTrain = np.genfromtxt('train.csv', delimiter=",")
X = np.array(csvTrain[:, :225]) #225, 15
Y = csvTrain[:,225]

csvTest = np.genfromtxt('test.csv', delimiter=",")
testX = np.array(csvTest[:, :225])
testY = csvTest[:,225]

#reshape features for each instance in to 15*15, targets are just a single number
X = X.reshape([-1,15,15,1])
testX = testX.reshape([-1,15,15,1])

## Building convolutional network
network = input_data(shape=[None, 15, 15, 1], name='input')

我收到以下错误：

ValueError：无法为Tensor u'target / Y：0'提供shape（64，）的值，其形状为'（？，10）'

我尝试了各种组合，并在stackoverflow中看到了类似的问题 ，但没有成功。 此页面中的示例对我不起作用并引发类似错误，我不理解提供的答案或类似问题提供的答案。

我如何使用自己的数据？

Answer 1

简短的回答

在MNIST示例的第41行中，您还必须将network = fully_connected(network, 10, activation='softmax')的输出大小10更改为network = fully_connected(network, 1, activation='linear') 。 请注意，您可以删除最终的softmax。

看看你的代码，似乎你有一个目标值Y ，这意味着使用带有mean_square的L2损失 （你会在这里找到所有可用的损失）：

regression(network, optimizer='adam', learning_rate=0.01,
                 loss='mean_square', name='target')

此外，重塑Y和Y_test以具有形状（batch_size，1）。

---

答案很长：如何分析错误并找到错误

以下是如何分析错误：

• 错误是Cannot feed value ... for Tensor 'target/Y' Tensor'target Cannot feed value ... for Tensor 'target/Y' ，这意味着它来自feed_dict参数Y.
• 同样，根据错误，您尝试提供of shape (64,)的Y值of shape (64,)而网络期望形状(?, 10) 。
  • 它需要一个形状（batch_size，10），因为它最初是MNIST的网络（10个类）
• 我们现在想要为Y更改网络的预期值。
  • 在代码中，我们看到最后一层fully_connected(network, 10, activation='softmax')返回大小为10的输出
  • 我们将其更改为大小为1的输出而没有softmax： fully_connected(network, 1, activation='linear')

最后，它不是一个错误，而是一个错误的模型架构 。