Python TensorFlow逻辑运算（（A==B）&；（C==D））导致；不兼容的形状：[2]与[3]"；

我试图构建以下逻辑表达式-

tf.logical_and(tf.equal(tf.argmax(y_conv,0), tf.argmax(y_,0)), 
                tf.equal(tf.argmax(y_conv,1), tf.argmax(y_,1)), name=None)

但它会导致以下错误-

不兼容的形状：[2]与[3]

tf.equal（tf.argmax（y_conv，0），tf.argmax（y_，0））

和

tf.equal（tf.argmax（y_conv，1），tf.argmax（y_，1））

分别工作正常，只有

tf.logical_和

发生错误

tf.logical_和

需要布尔张量，而

tf.equal

返回布尔张量，因此所有参数都是有序的，因此不确定它失败的原因

为了提供一些上下文，原始代码如下所示，我只是尝试更新

correct_prediction

以包含

tf.argmax的0和1

UPDATE1 Start（这将添加所有变量声明）

UPDATE1 End（这将添加所有变量声明）

这就是问题所在-

y_ = tf.placeholder(tf.float32, shape=[None, 2])
y_conv = tf.matmul(h_fc1_drop, W_fc2) + b_fc2
#This works - correct_prediction = tf.equal(tf.argmax(y_conv,0), tf.argmax(y_,0)) . Changed it to -
correct_prediction = tf.logical_and(tf.equal(tf.argmax(y_conv,0), tf.argmax(y_,0)), 
                tf.equal(tf.argmax(y_conv,1), tf.argmax(y_,1)), 
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
sess.run(tf.global_variables_initializer())
train_step.run(feed_dict={x: xtrain, y_: ytrain, keep_prob: 0.5})
#In debugging mode, code breaks at the below line
print("test accuracy %g"%accuracy.eval(feed_dict={x: xtest, y_: ytest, keep_prob: 1.0}))

如何调试此错误？
问题的出现是因为
tf.equal（）
是一个元素操作，它返回一个与参数形状相同的张量。修复表达式的最简单方法是使用
tf.reduce_all（）
在计算
tf.logical_和（）
之前，将
tf.equal（）
的结果聚合为一个标量，如下所示：

tf.logical_and(
    tf.reduce_all(tf.equal(tf.argmax(y_conv, 0), tf.argmax(y_, 0))), 
    tf.reduce_all(tf.equal(tf.argmax(y_conv,1), tf.argmax(y_,1))))

你认为你能把它提炼成一个简单的自给自足的10号班轮吗？那会有帮助的。完成。我对python和tensorflow不够精通，无法将其改写为更小的版本，但我在单独的一节“UPDATE 1”中添加了缺少的代码。但问题的核心是，为什么
tf.logical_和（tf.equal（…），tf.equal（…）
都失败了，而
tf.equal（…）
都能正常工作。
tf.equal
返回布尔张量，而
tf.logical_和
需要布尔张量，那么为什么它会失败呢？
tf.logical_and(
    tf.reduce_all(tf.equal(tf.argmax(y_conv, 0), tf.argmax(y_, 0))), 
    tf.reduce_all(tf.equal(tf.argmax(y_conv,1), tf.argmax(y_,1))))