Python 一个热编码标签的Tensorflow占位符

我有一个热编码标签（从0到10的11个类）：

并具有以下占位符：

# create the graph object
graph = tf.Graph()
# add nodes to the graph
with graph.as_default():
    inputs_ = tf.placeholder(tf.int32, [None, None], name='inputs')
    labels_ = tf.placeholder(tf.int32, [None, 1], name='labels')
    keep_prob = tf.placeholder(tf.float32, name='keep_prob')

我用的是稀疏的交叉熵：

with graph.as_default():
    logits = tf.layers.dense(inputs=outputs[:, -1], units=1)
    loss = tf.losses.sparse_softmax_cross_entropy(labels=labels_, logits=logits)        
    optimizer = tf.train.AdamOptimizer(learning_rate).minimize(loss)

TF抛出：

ValueError:无法为具有形状“（？，1）”的张量“标签：0”馈送形状（500，1，11）的值

---

我什么都试过了，但都没用。一个热编码数据的合适占位符是什么？

第二个维度应该是您有多少个类。一个热编码意味着，如果你有10个类，你对第5类进行编码，这将产生一个向量[0,0,0,0,0,1,0,0,0,0]，长度为10。因此，代码应该是：

labels_ = tf.placeholder(tf.int32, [None, ***number of classes***], name='labels')

    feed = {inputs_: x,
            labels_: y,
            keep_prob: 1,
            initial_state: test_state}

然后，再次采用类标签，而不是一个热编码。因此，在将其输入之前，您可以使用以下方法对其进行解码：

或者真正的问题是，为什么首先要使用ont热编码？您只需将

df.rating.values.reformate（[-1，1]）

作为

labels\uu

输入到图形中，并将1保持在第二维度。整个一个热编码块是不必要的

代码中还有一些其他问题（原始问题中未显示）会影响此问题。首先，向网络提供如下信息：

    feed = {inputs_: x,
            labels_: y[:, None],
            keep_prob: 1,
            initial_state: test_state}

在试图解决

标签问题时，您添加了索引
[：，None]
。问题在于，在Numpy中，索引
None
有一个特殊的含义：它将插入一个新维度。这就是
（500，1，1）
中的额外维度的来源。索引
y
在这里是不必要的，我已经删除了它。因此，代码应该是：

labels_ = tf.placeholder(tf.int32, [None, ***number of classes***], name='labels')

    feed = {inputs_: x,
            labels_: y,
            keep_prob: 1,
            initial_state: test_state}

然后是另一个问题，这是一个非常常见的错误：

loss, state, _ = sess.run([loss, final_state, optimizer], feed_dict=feed)

您将
loss
的值分配给
loss
，因此
loss
现在是一个数字，而不是它应该是的张量。因此，在第二次迭代中，代码失败了。我把它改成了

loss_val, state, _ = sess.run([loss, final_state, optimizer], feed_dict=feed)

当然，您还需要将该更改传播到
print（）
：

print("Epoch: {}/{}".format(e, epochs),
      "Iteration: {}".format(iteration),
      "Train loss: {:.3f}".format(loss_val))

此外，在定义Logit时，必须有11个单位，因为有11个类（0-10），每个类需要一个概率：

logits = tf.layers.dense(inputs=outputs[:, -1], units=11 )

通过这些变化，训练跑步甚至似乎学到了一些东西：

（‘历元：0/10’、‘迭代：5’、‘列车损失：1.735’）

（'Epoch:0/10'，'Iteration:10'，'Train loss:2.092'）

（‘历元：0/10’、‘迭代：15’、‘列车损失：2.644’）

（‘历元：0/10’、‘迭代：20’、‘列车损失：1.596’）

（‘历元：0/10’、‘迭代：25’、‘列车损失：1.759’）

Val acc:0.012

（‘历元：0/10’、‘迭代：30’、‘列车损失：1.581’）

（'Epoch:0/10'，'Iteration:35'，'Train loss:2.213'）

（‘历元：0/10’、‘迭代：40’、‘列车损失：2.176’）

（‘历元：0/10’、‘迭代：45’、‘列车损失：1.849’）

（‘历元：0/10’、‘迭代：50’、‘列车损失：2.474’）

Val acc:0.017

我以前试过，但是它抛出了
不能压缩dim[1]，期望维度为1，对于输入形状为[？，11]的'sparse\u softmax\u cross\u entropy\u loss/remove\u squezable\u dimensions/squese'（op:'squeze'）。
at
loss=tf.loss.sparse\u softmax\u cross\u entropy（labels=labels，logits=logits）
更新了答案。我也尝试过（没有使用一个热编码）。。。但是它抛出的
无法为张量“labels:0”提供shape（500，1，1）的值，该张量具有shape'（？，1）
，如果我使用
softmax\u cross\u entropy
，则抛出的
收到的标签值为10，超出了[0，1）。
如果我使占位符
无，1，1
，则抛出
秩不匹配：标签的秩（收到3）应等于logits的秩减1（收到2）。
您必须将标签作为形状
（无，1）
。如何获得额外的维度？对于每个图像，您都有一个标签。