送入數據-ValueError：尺寸必須相等

Question

我正在使用張量流訓練線性回歸模型。 您可以在此處找到數據。 這是我的load_data()函數

def load_data():
    book = xlrd.open_workbook(DATA_DIR, encoding_override="utf-8")
    sheet = book.sheet_by_index(0)
    data = np.asarray([sheet.row_values(i) for i in range(1, sheet.nrows)])
    n_samples = len(data)

    return data, n_samples

您可以在此處找到類似的示例代碼。 我的代碼中的差異是關於tf.placeholder的饋送tf.placeholder 。

具體來說，我不想像示例代碼一樣 逐行提供數據。 我想一次喂所有東西。 因此，我的代碼將如下所示

print('Load data')
train_data, n_samples = load_data()

print('Define placeholders')
features = [tf.placeholder(tf.float32, shape=(), name='sample_' + str(i))
            for i in range(n_samples)]
labels = [tf.placeholder(tf.float32, shape=(), name='label_' + str(i))
          for i in range(n_samples)]

print('Define variables')
w = tf.Variable(tf.zeros(0.0, tf.float32))
b = tf.Variable(tf.zeros(0.0, tf.float32))

print('Define hypothesis function')
pred_labels = w * features + b

print('Define loss function')
loss = tf.square(labels - pred_label, name='loss')

print('Define optimizer function')
optimizer = tf.train.GradientDescentOptimizer(learning_rate=0.0001).minimize(loss)

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    saver = tf.train.Saver(tf.trainable_variables())
    feed_dict = fill_feed_dict(train_data, features, labels)

    for i in range(100):
        __, loss_value = sess.run([optimizer, loss], feed_dict)
        print('Epoch {} has loss value {}'.format(i, loss_value))
        if i == 99:
            saver.save(sess, CKPT_DIR)

用fill_feed_dict()這樣

def fill_feed_dict(data, features, labels):
    feed_dict = {}

    for i in range(len(features)):
        feed_dict[features[i]] = data[i, 0]
        feed_dict[labels[i]] = data[i, 1]

    return feed_dict

但是，執行時出現以下錯誤

ValueError：尺寸必須相等，但對於輸入形狀為[0]，[42]的“ mul”（op：“ Mul”），尺寸應為0和42。

1. 是否可以一次提供所有數據？
2. 如果是這樣，你們可以建議我解決這個問題嗎？

Answer 1

1. 是否可以一次提供所有數據？

是的，我們可以提供一個批處理（如果沒有內存限制，該批處理可以是整個數據）。

2. 如果是這樣，你們可以建議我解決這個問題嗎？

定義接受一批輸入而不是單個輸入的占位符：

X = tf.placeholder(tf.float32, shape=[None,1], name='X')
Y = tf.placeholder(tf.float32, shape=[None,1],name='Y')

您的代碼應為：

w = tf.Variable(0.0, name='weights')
b = tf.Variable(0.0, name='bias')

Y_predicted = X * w + b 
loss = tf.reduce_mean(tf.square(Y - Y_predicted, name='loss'))
optimizer = tf.train.GradientDescentOptimizer(learning_rate=0.001).minimize(loss)

with tf.Session() as sess:

   sess.run(tf.global_variables_initializer()) 

   #train the model
   for i in range(50): # train the model 100 epochs
      #Session runs train_op and fetch values of loss
      _, l = sess.run([optimizer, loss], feed_dict={X: feed input of size (batch,1), Y: Output of size (batch,1) })