“InvalidArgumentError: Incompatible shapes: [64,40000] vs. [64] [Op:Mul]” 在張量之間進行操作時？

Question

我正在嘗試在兩個張量之間執行此操作：

green_mat = sio.loadmat('green.mat')
green = np.array(green_mat['G2'])
green = tf.convert_to_tensor(green)
green = tf.cast(green, dtype='complex64')  # >>>green.shape = TensorShape([64, 40000])



tensor = tf.ones(128,1)        # tensor.shape = TensorShape([128])

def mul_and_sum(tensor):
   real = tensor[0:64]
   imag = tensor[64:128]
   complex_tensor = tf.complex(real, imag)
   return tf.reduce_sum((tf.multiply(green, complex_tensor), 1))

res = mul_and_sum(tensor)

基本上，最后我想要獲得的是一個包含 40000 個元素的張量，用作 neural.network 的一個層，但是當我運行這個 function 作為測試時，我有這個錯誤：

tensorflow.python.framework.errors_impl.InvalidArgumentError: Incompatible shapes: [64,40000] vs. [64] [Op:Mul]

這是我第一次從事張量運算，也許我對如何處理尺寸有點困惑，有什么建議嗎？ 謝謝：）

編輯：好的，我已經理解了這一點，確實對於我提供的一切正常的例子，但是我在 my.network 中遇到了另一個問題：

def convolution(tensor):
tf.cast(tensor, dtype='float64')
real = tensor[0:64]
imag = tensor[64:128]
complex_tensor = tf.complex(real, imag)
a = tf.math.real(tf.reduce_sum((tf.multiply(green, complex_tensor)), 0))
return a

def get_model3(mask_kind):
epochs = 200
learning_rate = 0.1
decay_rate = learning_rate / epochs
inp_1 = keras.Input(shape=(64, 101, 129), name="RST_inputs")
x = layers.Conv2D(1, kernel_size=(1, 1), strides=(1, 1), padding="valid", trainable=False)(inp_1)
x = layers.Conv2D(256, kernel_size=(3, 3), kernel_regularizer=l2(1e-6), strides=(3, 3), padding="same")(x)
x = layers.LeakyReLU(alpha=0.3)(x)
x = layers.Conv2D(128, kernel_size=(3, 3), kernel_regularizer=l2(1e-6), strides=(3, 3), padding="same")(x)
x = layers.LeakyReLU(alpha=0.3)(x)
x = layers.Conv2D(64, kernel_size=(2, 2), kernel_regularizer=l2(1e-6), strides=(2, 2), padding="same")(x)
x = layers.LeakyReLU(alpha=0.3)(x)
x = layers.Conv2D(32, kernel_size=(2, 2), kernel_regularizer=l2(1e-6), strides=(2, 2), padding="same")(x)
x = layers.LeakyReLU(alpha=0.3)(x)
x = layers.Flatten()(x)
x = layers.Dense(512)(x)
x = layers.LeakyReLU(alpha=0.3)(x)
x = layers.Dense(256)(x)
x = layers.LeakyReLU(alpha=0.3)(x)
out1 = layers.Dense(128, name="ls_weights")(x)

if mask_kind == 1:
    binary_mask = layers.Lambda(mask_layer1, name="lambda_layer", dtype='float64')(out1)
elif mask_kind == 2:
    binary_mask = layers.Lambda(mask_layer2, name="lambda_layer", dtype='float64')(out1)
else:
    binary_mask = out1
#here the binary mask shape is [?,128]
binary_mask = tf.expand_dims(binary_mask, axis=2)  #here the shape is [?,128,1]
binary_mask = tf.squeeze(binary_mask, axis=0) #here the shape is [128,1]

print('binary shape:', binary_mask.shape)

lambda_layer = layers.Lambda(convolution, name="convolutional_layer")(binary_mask)
print(lambda_layer.shape)


model3 = keras.Model(inp_1,  lambda_layer, name="2_out_model")

model3.compile(optimizer=tf.keras.optimizers.Adam(learning_rate=decay_rate),  # in caso
               # rimettere 0.001
               loss="mean_squared_error")

plot_model(model3, to_file='model.png', show_shapes=True, show_layer_names=True)
model3.summary()

return model3

我得到這個錯誤：

ValueError: Input 0 of layer sf_vec is incompatible with the layer: : expected min_ndim=2, found ndim=1. Full shape received: [40000]

我知道這是因為尺寸不匹配，但事實是 output 層（張量）的形狀應該是 [?,40000] 而我只得到 [40000] 的張量，有什么建議嗎？

編輯 2.0我沒有注意到我的 output 已經是 lambda 層，所以在編寫 model 的方式中我沒有得到任何錯誤，但是從這樣的總結中我得到 lambda 形狀 (1, 40000) 而通常應該是 (無，40000）。 錯誤在哪里？

Answer 1

如果您想在 2 個張量之間進行乘法運算，它們需要具有兼容的形狀，即相同的形狀或可廣播的形狀。 引用 numpy 文檔（tensorflow 遵循相同的廣播規則）：

當對兩個 arrays 進行操作時，NumPy 按元素比較它們的形狀。 它從尾隨維度開始，並向前推進。 兩個維度兼容時

• 他們是平等的，或者
• 其中之一是 1

在您的情況下，如果您想使用tf.multiply ，則需要向矢量添加一個維度，以便它具有相同數量的維度。 您可以通過使用tf.expand_dims或使用tf.newaxis的高級索引來做到這一點。

一個例子（使用復合物，就像你的問題一樣）：

>>> a = tf.complex(tf.random.normal((64,128)),tf.random.normal((64,128)))
>>> a.shape
TensorShape([64, 128])
>>> b = tf.complex(tf.ones(64),tf.ones(64))
>>> b.shape
TensorShape([64])

為了能夠使用tf.multiply ，您需要向b添加一個維度：

>>> b_exp = tf.exand_dims(b, axis=1)
>>> b_exp.shape
TensorShape([64, 1])
>>> tf.multiply(a,b_exp).shape
TensorShape([64, 128])

---

注意：在tf.reduce_sum上執行tf.multiply類似於只執行矩陣乘法

在你的情況下，你可能可以做類似的事情

>>> tf.matmul(b[tf.newaxis,:], a).shape
TensorShape([1, 128])

如果額外的維度困擾您，您可以使用tf.squeeze擺脫它。