Tensorflow。 如何张量板

Question

所以我有这样的代码，直到我希望它为我绘制张量板为止：

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"]()]]

因此，如果我理解正确，它要求我输入feed_dict，好的，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)]]

因此，权重要与x相同，我可以这样做：

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)]]

所以我应该动态改变w的形状吗？ 还是得到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指定后：

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，数据也应处于良好状态：

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（对数据进行了重塑）：

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)}))

和当前错误：

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，我什至没有得到具有[]形状的张量。

================================================== ============

结论时间。

tf.summary.scalar([value.op.name], value)

不会这样做，因为tf.summary.scalar的coz first / name参数需要字符串或字节，否则给出错误。

因此，无论如何，名称都将是[]的形状，让我们接受它并更改一下代码：

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)

终于可以了

Answer 1

x_是一个占位符，它将包含您的输入值。 它在图形中没有任何固定值，唯一的值就是您输入的值。 因此，您只需要使用：

    summary_writer.add_summary(sess.run(summaries, feed_dict={x_: X_train, y_: y_train}), i)

但是那样做会使您两次计算所有内容。 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，您的训练步骤和摘要计算就可以一次完成。

编辑 ：

看来您只是有成形问题，而这些问题只能通过张量板显示出来。

• 您的占位符x_应该声明为[None, n_features]的形状（此处n_features = 1 ，因此您也可以使它仅与[None] 。我真的不知道None不会做什么，也许您的问题来自于此）不...）

• y的形状应为[None, n_outputs] ，因此此处为[None, 1] 。 可能None或[None]也有效。

• 在您的情况下[n_features, n_outputs] w的形状应为[n_features, n_outputs] [1, 1] 。 您不能在批处理大小之后调整它的形状，这在机器学习方面是胡说八道（至少如果您尝试仅从x而不是从其余的批处理中学习sin(x) ，那将不会很有道理）

• b的形状应为[n_outputs] ，因此此处为[1] 。

如果指定所有这些形状是否可行？

编辑2

这是一个成型问题。 答案在这里 ，看来您只需要更换

tf.summary.scalar(value.op.name, value)

与

tf.summary.scalar([value.op.name], value)