Python 张量流重塑张量

我尝试使用

tf.nn.sparse\u softmax\u cross\u entropy\u和_logits

，我已经按照用户Olivier Moindrot的答案[here][1]进行了操作，但是我得到了一个维度错误

我正在建立一个分割网络，所以输入图像是200x200，输出图像是200x200。分类是二元的，前景和背景也是如此

在我构建CNN

pred=conv_net（x，权重，偏差，keep_prob）

pred

看起来像这样

CNN有两个conv层，然后是一个完全连接的层。完全连接的层是40000，因为它是200x200平坦的

根据上面的链接，我将

pred

进行如下重塑

（旁注：我还试着将两个pred（如上所述）打包在一起，但我认为这是错误的）

pred=tf.重塑（pred，[-12002002]）

…因此有两种分类。继续上面的链接

temp_pred = tf.reshape(pred, [-1,2])
temp_y = tf.reshape(y, [-1])
cost = tf.reduce_mean(tf.nn.sparse_softmax_cross_entropy_with_logits(temp_pred, temp_y))
optimizer = tf.train.AdamOptimizer(learning_rate=learning_rate).minimize(cost)

我有以下占位符和批处理数据

x = tf.placeholder(tf.float32, [None, 200, 200])
y = tf.placeholder(tf.int64, [None, 200, 200])
(Pdb) batch_x.shape
(10, 200, 200)
(Pdb) batch_y.shape
(10, 200, 200)

当我运行培训课程时，我得到以下维度错误：

tensorflow.python.framework.errors.InvalidArgumentError: logits first
dimension must match labels size.  logits shape=[3200000,2] labels 
shape=[400000]

我的完整代码如下所示：

import tensorflow as tf
import pdb
import numpy as np

# Import MINST data
# from tensorflow.examples.tutorials.mnist import input_data
# mnist = input_data.read_data_sets("/tmp/data/", one_hot=True)


# Parameters
learning_rate = 0.001
training_iters = 200000
batch_size = 10
display_step = 1

# Network Parameters
n_input = 200 # MNIST data input (img shape: 28*28)
n_classes = 2 # MNIST total classes (0-9 digits)
n_output = 40000
#n_input = 200

dropout = 0.75 # Dropout, probability to keep units

# tf Graph input
x = tf.placeholder(tf.float32, [None, n_input, n_input])
y = tf.placeholder(tf.int64, [None, n_input, n_input])
keep_prob = tf.placeholder(tf.float32) #dropout (keep probability)


# Create some wrappers for simplicity
def conv2d(x, W, b, strides=1):
    # Conv2D wrapper, with bias and relu activation
    x = tf.nn.conv2d(x, W, strides=[1, strides, strides, 1], padding='SAME')
    x = tf.nn.bias_add(x, b)
    return tf.nn.relu(x)

def maxpool2d(x, k=2):
    # MaxPool2D wrapper
    return tf.nn.max_pool(x, ksize=[1, k, k, 1], strides=[1, k, k, 1],
                          padding='SAME')


# Create model
def conv_net(x, weights, biases, dropout):
    # Reshape input picture
    x = tf.reshape(x, shape=[-1, 200, 200, 1])

    # Convolution Layer
    conv1 = conv2d(x, weights['wc1'], biases['bc1'])
    # Max Pooling (down-sampling)
    # conv1 = tf.nn.local_response_normalization(conv1)
    # conv1 = maxpool2d(conv1, k=2)

    # Convolution Layer
    conv2 = conv2d(conv1, weights['wc2'], biases['bc2'])
    # Max Pooling (down-sampling)
    # conv2 = tf.nn.local_response_normalization(conv2)
    # conv2 = maxpool2d(conv2, k=2)

    # Convolution Layer
    conv3 = conv2d(conv2, weights['wc3'], biases['bc3'])
    # # Max Pooling (down-sampling)
    # conv3 = tf.nn.local_response_normalization(conv3)
    # conv3 = maxpool2d(conv3, k=2)

    # return conv3

    # Fully connected layer
    # Reshape conv2 output to fit fully connected layer input
    fc1 = tf.reshape(conv2, [-1, weights['wd1'].get_shape().as_list()[0]])
    fc1 = tf.add(tf.matmul(fc1, weights['wd1']), biases['bd1'])
    fc1 = tf.nn.relu(fc1)
    # Apply Dropout
    fc1 = tf.nn.dropout(fc1, dropout)

    return tf.add(tf.matmul(fc1, weights['out']), biases['out'])

    # Output, class prediction
    # output = []
    # for i in xrange(2):
    #     # output.append(tf.nn.softmax(tf.add(tf.matmul(fc1, weights['out']), biases['out'])))
    #     output.append((tf.add(tf.matmul(fc1, weights['out']), biases['out'])))
    #
    # return output

# Store layers weight & bias
weights = {
    # 5x5 conv, 1 input, 32 outputs
    'wc1': tf.Variable(tf.random_normal([5, 5, 1, 32])),
    # 5x5 conv, 32 inputs, 64 outputs
    'wc2': tf.Variable(tf.random_normal([5, 5, 32, 64])),
    # 5x5 conv, 32 inputs, 64 outputs
    'wc3': tf.Variable(tf.random_normal([5, 5, 64, 128])),
    # fully connected, 7*7*64 inputs, 1024 outputs
    'wd1': tf.Variable(tf.random_normal([50*50*64, 1024])),
    # 1024 inputs, 10 outputs (class prediction)
    'out': tf.Variable(tf.random_normal([1024, n_output]))
}

biases = {
    'bc1': tf.Variable(tf.random_normal([32])),
    'bc2': tf.Variable(tf.random_normal([64])),
    'bc3': tf.Variable(tf.random_normal([128])),
    'bd1': tf.Variable(tf.random_normal([1024])),
    'out': tf.Variable(tf.random_normal([n_output]))
}

# Construct model
pred = conv_net(x, weights, biases, keep_prob)
pdb.set_trace()
# pred = tf.pack(tf.transpose(pred,[1,2,0]))
pred = tf.reshape(pred, [-1, n_input, n_input, 2])
temp_pred = tf.reshape(pred, [-1,2])
temp_y = tf.reshape(y, [-1])
# Define loss and optimizer
cost = tf.reduce_mean(tf.nn.sparse_softmax_cross_entropy_with_logits(temp_pred, temp_y))
optimizer = tf.train.AdamOptimizer(learning_rate=learning_rate).minimize(cost)

# Evaluate model
# correct_pred = tf.equal(tf.argmax(pred, 1), tf.argmax(y, 1))
temp_pred2 = tf.reshape(pred, [-1,n_input,n_input])
correct_pred = tf.equal(tf.cast(y,tf.float32),tf.sub(temp_pred2,tf.cast(y,tf.float32)))
accuracy = tf.reduce_mean(tf.cast(correct_pred, tf.float32))

# Initializing the variables
init = tf.initialize_all_variables()

# Launch the graph
with tf.Session() as sess:
    sess.run(init)
    summ = tf.train.SummaryWriter('/tmp/logdir/', sess.graph_def)
    step = 1
    from tensorflow.contrib.learn.python.learn.datasets.scroll import scroll_data
    data = scroll_data.read_data('/home/kendall/Desktop/')
    # Keep training until reach max iterations
    while step * batch_size < training_iters:
        batch_x, batch_y = data.train.next_batch(batch_size)
        # Run optimization op (backprop)
        batch_x = batch_x.reshape((batch_size, n_input, n_input))
        batch_y = batch_y.reshape((batch_size, n_input, n_input))
        batch_y = np.int64(batch_y)
        # y = tf.reshape(y, [-1,n_input,n_input])
        pdb.set_trace()
        sess.run(optimizer, feed_dict={x: batch_x, y: batch_y, keep_prob: dropout})
        if step % display_step == 0:
            # Calculate batch loss and accuracy
            pdb.set_trace()
            loss, acc = sess.run([cost, accuracy], feed_dict={x: batch_x, y: batch_y, keep_prob: 1.})
            print "Iter " + str(step*batch_size) + ", Minibatch Loss= " + \
                  "{:.6f}".format(loss) + ", Training Accuracy= " + \
                  "{:.5f}".format(acc)
        step += 1
    print "Optimization Finished!"

    # Calculate accuracy for 256 mnist test images
    print "Testing Accuracy:", \
        sess.run(accuracy, feed_dict={x: data.test.images[:256],
                                      y: data.test.labels[:256],
                                      keep_prob: 1.})



  [1]: http://stackoverflow.com/questions/35317029/how-to-implement-pixel-wise-classification-for-scene-labeling-in-tensorflow/37294185?noredirect=1#comment63253577_37294185

将tensorflow导入为tf
导入pdb
将numpy作为np导入
#导入明斯特数据
#从tensorflow.examples.tutorials.mnist导入输入数据
#mnist=输入数据。读取数据集（“/tmp/data/”，one\u hot=True）
#参数
学习率=0.001
培训费用=200000
批量大小=10
显示步骤=1
#网络参数
n#u输入=200#m列表数据输入（img形状：28*28）
n#u类=2#n列出总类数（0-9位）
n_输出=40000
#n_输入=200
辍学率=0.75#辍学率，保留单位的概率
#tf图形输入
x=tf.placeholder（tf.float32，[None，n\u输入，n\u输入]）
y=tf.placeholder（tf.int64，[None，n\u输入，n\u输入]）
keep_prob=tf.placeholder（tf.float32）#辍学（keep probability）
#为简单起见，创建一些包装
def conv2d（x，W，b，步幅=1）：
#Conv2D包装，带有偏置和relu激活
x=tf.nn.conv2d（x，W，步幅=[1，步幅，步幅，1]，padding='SAME'）
x=tf.nn.bias_add（x，b）
返回tf.nn.relu（x）
def maxpool2d（x，k=2）：
#MaxPool2D包装器
返回tf.nn.max_pool（x，ksize=[1，k，k，1]，步长=[1，k，k，1]，
填充（“相同”）
#创建模型
def conv_净值（x、重量、偏差、损耗）：
#重塑输入图片
x=tf.重塑（x，shape=[-12002001]）
#卷积层
conv1=conv2d（x，权重['wc1']，偏差['bc1']）
#最大池（下采样）
#conv1=tf.nn.local\u response\u normalization（conv1）
#conv1=maxpool2d（conv1，k=2）
#卷积层
conv2=conv2d（conv1，权重['wc2']，偏差['bc2']）
#最大池（下采样）
#conv2=tf.nn.local\u response\u normalization（conv2）
#conv2=maxpool2d（conv2，k=2）
#卷积层
conv3=conv2d（conv2，权重['wc3']，偏差['bc3']）
##最大池（下采样）
#conv3=tf.nn.local\u response\u normalization（conv3）
#conv3=maxpool2d（conv3，k=2）
#返回conv3
#全连通层
#重塑conv2输出以适应完全连接的图层输入
fc1=tf.重塑（conv2，[-1，权重['wd1'].获取形状（）.作为列表（）[0]]））
fc1=tf.add（tf.matmul（fc1，权重['wd1']），偏差['bd1']））
fc1=tf.nn.relu（fc1）
#申请退学
fc1=tf.nn.辍学（fc1，辍学）
返回tf.add（tf.matmul（fc1，权重['out']），偏差['out']））
#输出，类预测
#输出=[]
#对于X范围内的i（2）：
##output.append（tf.nn.softmax（tf.add（tf.matmul（fc1，权重['out'））、偏差['out']））
#output.append（（tf.add（tf.matmul（fc1，权重['out']），偏差['out']））
#
#返回输出
#存储层重量和偏差
权重={
#5x5转换，1个输入，32个输出
“wc1”：tf.Variable（tf.random_normal（[5,5,1,32]），
#5x5转换，32个输入，64个输出
“wc2”：tf.Variable（tf.random_normal（[5,5,32,64]），
#5x5转换，32个输入，64个输出
“wc3”：tf.Variable（tf.random_normal（[5,5,64,128]），
#完全连接，7*7*64输入，1024输出
'wd1'：tf.变量（tf.random_normal（[50*50*641024]），
#1024个输入，10个输出（类预测）
'out'：tf.Variable（tf.random\u normal（[1024，n\u输出]）
}
偏差={
“bc1”：tf.Variable（tf.random_normal（[32]），
“bc2”：tf.Variable（tf.random_normal（[64]），
“bc3”：tf.Variable（tf.random_normal（[128]），
'bd1'：tf.Variable（tf.random_normal（[1024]），
'out'：tf.Variable（tf.random\u normal（[n\u output]））
}
#构造模型
pred=转换网络（x、权重、偏差、保持概率）
pdb.set_trace（）
#pred=tf.pack（tf.transpose（pred[1,2,0]））
pred=tf.重塑（pred，[-1，n_输入，n_输入，2]）
温度pred=tf.重塑（pred，[-1,2]）
温度y=tf.重塑（y，[-1]）
#定义损失和优化器
成本=tf.减少平均值（tf.nn.稀疏\u softmax\u交叉\u熵\u与逻辑（temp\u pred，temp\u y））
优化器=tf.train.AdamOptimizer（学习率=学习率）。最小化（成本）
#评价模型
#正确的pred=tf.equal（tf.argmax（pred，1），tf.argmax（y，1））
temp_pred2=tf.重塑（pred，[-1，n_输入，n_输入]）
修正pred=tf.equal（tf.cast（y，tf.float32），tf.sub（temp_pred2，tf.cast（y，tf.float32）））
准确度=tf.reduce_平均值（tf.cast（correct_pred，tf.float32））
#初始化变量
初始化所有变量（）
#启动图表
使用tf.Session（）作为sess：
sess.run（初始化）
summ=tf.train.SummaryWriter（'/tmp/logdir/'，sess.graph_def）
步骤=1
从tensorflow.contrib.learn.python.learn.datasets.scroll导入scroll_数据
data=滚动数据。读取数据（'/home/kendall/Desktop/'））
#继续训练直到达到最大迭代次数
步骤*批量大小<培训内容：
批次x，批次y=数据.训练.下一批次（批次大小）
#运行优化op（backprop）
批次x=批次x.重塑（（批次大小，n输入，n输入））
批次y=批次y.重塑（（批次大小，n输入，n输入））
批次y=np.int64（批次y）
#y=