tf.matmul無法正常工作

Question

我嘗試在張量流中寫入和（邏輯運算），有兩個輸入和兩個權重乘以得到一個數字並將此數字加到偏差，我的問題在matmul中發送X（輸入）和W（權重）到方法在形狀。 [[1]，[1]]用於X（垂直），[0.49900547,0.49900547]用於W（水平）得到一個數字作為結果，但是它給了我兩個數字，我怎么做才能乘以？ 這是我的代碼>>

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

與標准矩陣乘法一樣，如果A具有形狀[m, k] ，並且B具有形狀[k, n] ，則tf.matmul(A, B)具有形狀[m, n] （ m行， n列，訂單TensorFlow使用）。

在你的程序中，你正在計算tf.matmul(X, W) 。 X被定義為具有形狀[2, 1]的占位符; W被定義為初始化為零的[1, 2]矩陣的變量。 因此，當我在本地運行代碼時， mulres = tf.matmul(X, W)將具有形狀[2, 2] ，這是打印的result: ... （ result: ... ）。

如果要使用單個輸出定義隱藏層，則更改很簡單：

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

......應該替換為：

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

（實際上，將權重初始化為tf.zeros會阻止它進行訓練，因為所有輸入元素在反向傳播中都會得到相同的漸變。相反，您應該隨機初始化它們，例如使用：

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

這將使網絡能夠為權重的每個組成部分學習不同的值。）

Answer 2

matmul直接在張量上運行，在你的情況下有2行1列。

在matmul有一個參數可以轉換任何一個條目：

matmul(X, W, transpose_a=True)

你可以在這里查看文檔： docs