Python tensorflow（tf）变量初始化形状错误？

下面的代码旨在通过while循环构建“sy_logprob_n”，并在每个循环中填充一行。但当我运行这个时，它说

ValueError：使用输入尺寸0索引超出范围；输入只有0 带输入的“while/stripped_slice_1”（op:“strippedslice”）的变暗 形状：[]、[1]、[1]、[1]和具有计算输入张量的形状：输入[3]=

有一件事是，当我将形状打印为

print（tf.shape（sy_logprob_n），tf.shape（sy_ac_na））

时，它们的两个形状是不同的：

张量（“形状2:0”，形状=（0，），数据类型=int32）张量（“形状3:0”， 形状=（2，），数据类型=int32）

但是“sy_logprob_n”是由“sy_ac_na”的形状初始化的

有人知道吗？提前感谢

sy_ac_na = tf.placeholder(shape=[None, ac_dim], name="ac", dtype=tf.float32) 
batch_size=tf.shape(sy_ob_no)[0]

  sy_mean = build_mlp(sy_ob_no, ac_dim, 'mean', n_layers, size) # shape (batch,ac_dim)
  sy_logstd = tf.Variable(initial_value=0,name='std',expected_shape=[ac_dim],dtype=tf.float32) # logstd should just be a trainable variable, not a network output.
  sy_sampled_ac=tf.random_normal(tf.shape(sy_ac_na),mean=sy_mean,stddev=tf.exp(sy_logstd),seed=seed) # shape(batch,ac_dim)
  sy_logprob_n=tf.Variable(initial_value=0,expected_shape=tf.shape(sy_ac_na),name='sy_logprob_n',dtype=tf.float32)
  print(tf.shape(sy_logprob_n),tf.shape(sy_ac_na))

  def cond(sy_logprob_n,i,sy_ac_na):
    return tf.less(i,batch_size)

  def body(sy_logprob_n,i,sy_ac_na):
    distribution=tf.distributions.Normal(sy_mean,tf.exp(sy_logstd))
    log_prob=distribution.log_prob(sy_ac_na[i,:])
    tf.assign(sy_logprob_n[i],log_prob)
    i+=1
    return sy_logprob_n

  sy_logprob_n = tf.squeeze(tf.while_loop(cond,body,[sy_logprob_n,0,sy_ac_na]))  # shape (batch,)  

---

即使您指定了

预期的\u形状

，

tf.变量

的形状将为

初始值

（此处为0）。似乎

expected_-shape

参数从v1.0.0开始就存在了。我不知道为什么它仍然用

tf.Variable

记录。我刚刚在Github上提交了一个问题。

非常感谢！这真令人困惑。顺便问一下，如果tf.Variable不起作用，你知道我如何实现它吗？@Billadsf我不太确定你的目的是什么，但一般都建议这样做。希望这就是你想要的答案。。。