Python 秩不匹配：标签的秩（接收2）应等于logits的秩减1（接收2）

我正在构建DNN来预测图像中是否存在该对象。我的网络有两个隐藏层，最后一层如下所示：

  # Output layer
  W_fc2 = weight_variable([2048, 1])
  b_fc2 = bias_variable([1])

  y = tf.matmul(h_fc1, W_fc2) + b_fc2

然后我有标签的占位符：

y_ = tf.placeholder(tf.float32, [None, 1], 'Output')

我成批运行训练（因此输出层形状中的第一个参数是None）

我使用以下损失函数：

cross_entropy = tf.nn.sparse_softmax_cross_entropy_with_logits(
    y[:, :1], y_[:, :1], name='xentropy')
loss = tf.reduce_mean(cross_entropy, name='xentropy_mean')
predict_hand = tf.greater(y, 0.5)
correct_prediction = tf.equal(tf.to_float(predict_hand), y_)
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))

但在运行时，我得到了以下错误：

等级不匹配：标签的等级（收到2个）应等于登录的等级 减1（收到2）

我想我应该重塑标签层，但不确定它期望什么。我抬头一看，上面写着：

罗吉斯：秩r和形状[d_0，d_1，…]的未标度对数概率。。。， d{r-2}，num_classes]和数据类型float32或float64。标签：张量 形状[d_0，d_1，…，d_{r-2}]和数据类型int32或int64。中的每个条目 标签必须是[0，num_类）中的索引

---

如果我只有一个类，我的标签应该是什么样的（现在只有0或1）？感谢文档*中对

tf.nn.sparse\u softmax\u cross\u entropy\u和\u logits的任何帮助：

“一个常见的使用案例是具有形状[批次大小，
num_classes]和形状[batch_size]的标签。但尺寸更高
支持。”

因此，我假设您的标签张量应为shape
[None]
。请注意，具有shape
[None，1]
或shape
[None]
的给定张量将包含相同数量的元素

具有具体虚拟值的输入示例：

>>> logits = np.array([[11, 22], [33, 44], [55, 66]])
>>> labels = np.array([1, 0, 1])

小批量中有3个示例，第一个示例的
logits
是11和22，有2个类：0和1

*问题可能是网络中的激活功能。使用tf.nn.softmax\u cross\u entropy\u和\u logits而不是稀疏的\u softmax。这将解决问题。
简而言之，下面是它的实现

    cost = tf.reduce_mean(tf.nn.sparse_softmax_cross_entropy_with_logits(
            logits=hypothesis,labels=tf.argmax(Y,1)))


计算Logit和标签之间的稀疏softmax交叉熵

测量离散分类任务中的概率误差
哪些类是相互排斥的（每个条目都在
一节课）

例如，每个CIFAR-10图像都标有一个且只有一个
标签：图像可以是狗或卡车，但不能两者都是

注：对于该操作，给定标签的概率为
被认为是排他性的。也就是说，软类是不允许的，
标签向量必须为
每行logit（每个minibatch条目）的true类

对于概率分布为的软softmax分类
对于每个条目，请参见带有登录的softmax交叉熵

警告：此op需要无标度的Logit，因为它执行softmax
在内部登录以提高效率。不要使用
softmax的输出，因为它将产生不正确的结果

一个常见的用例是具有shape[批大小，num\u类]的logit
和形状为[batch_size]的标签，但支持更高的维度

请注意，为避免混淆，只需传递命名
此函数的参数

及

计算登录和标签之间的softmax交叉熵。（已弃用）

此函数已弃用。它将在将来的版本中删除

更新说明：

TensorFlow的未来主要版本将允许渐变流入
默认情况下，标签在backprop上输入。将发生反向传播
仅进入logits。计算允许的交叉熵损失
反向传播到logits和Label中，请参见softmax\u cross\u熵与\u logits\u v2

测量离散分类任务中的概率误差
这些类相互排斥（每个条目正好位于一个
类）

例如，每个CIFAR-10图像都标有一个且只有一个
标签：图像可以是狗或卡车，但不能两者都是

这里是softmax\u cross\u entropy\u与\u logits\u v2的相同实现

我已经尝试过了，但后来我遇到了另一个错误：无法为Tensor u'Output:0'提供shape（44,1）的值，该Tensor u'Output:0'具有shape“（？，）”。其中44是我的批大小。我猜这意味着您正在将带有shape（44,1）的labels numpy数组提供给带有shape（？，）的占位符Tensor。因此，请尝试使用labels展平标签numpy数组。展平（）这将把（44,1）变成（44，）为什么
tf.argmax（Y，1）
对于标签，我没有得到pontin
tf.nn.sparse\u softmax\u cross\u entropy\u with_logits
我们不需要使用一个热编码，那么我想知道为什么在这里使用argmax Y和1，为什么不直接提供Y？为什么应该>“一个常见的用例是有形状的logits[batch\u size，num\u classes]和形状标签[batch\u size]。但支持更高的维度。”在包括和在内的许多教程中，标签具有大小
[None，10]
，登录具有大小
[None，10]
同样如此。在这种情况下，您应该将tf.nn.softmax\u cross\u entropy\u与\u logits一起使用，而不是tf.nn.sparse\u softmax\u cross\u entropy\u与\u logits一起使用
    cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits_v2(
            logits=hypothesis,labels=Y))