Python 送料数据-值错误：尺寸必须相等

我正在使用tensorflow来训练一个线性回归模型。您可以在以下位置找到数据：。 这是我的

load\u data（）

函数

def load_data():
    book = xlrd.open_workbook(DATA_DIR, encoding_override="utf-8")
    sheet = book.sheet_by_index(0)
    data = np.asarray([sheet.row_values(i) for i in range(1, sheet.nrows)])
    n_samples = len(data)

    return data, n_samples

您可以在中找到类似的示例代码。我的代码中的差异是关于馈送

tf.placeholder

的方式

具体地说，我不想逐行输入数据，类似于。我想马上喂饱所有的东西。因此，我的代码将如下所示

print('Load data')
train_data, n_samples = load_data()

print('Define placeholders')
features = [tf.placeholder(tf.float32, shape=(), name='sample_' + str(i))
            for i in range(n_samples)]
labels = [tf.placeholder(tf.float32, shape=(), name='label_' + str(i))
          for i in range(n_samples)]

print('Define variables')
w = tf.Variable(tf.zeros(0.0, tf.float32))
b = tf.Variable(tf.zeros(0.0, tf.float32))

print('Define hypothesis function')
pred_labels = w * features + b

print('Define loss function')
loss = tf.square(labels - pred_label, name='loss')

print('Define optimizer function')
optimizer = tf.train.GradientDescentOptimizer(learning_rate=0.0001).minimize(loss)

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    saver = tf.train.Saver(tf.trainable_variables())
    feed_dict = fill_feed_dict(train_data, features, labels)

    for i in range(100):
        __, loss_value = sess.run([optimizer, loss], feed_dict)
        print('Epoch {} has loss value {}'.format(i, loss_value))
        if i == 99:
            saver.save(sess, CKPT_DIR)

像这样使用

fill\u feed\u dict（）

def fill_feed_dict(data, features, labels):
    feed_dict = {}

    for i in range(len(features)):
        feed_dict[features[i]] = data[i, 0]
        feed_dict[labels[i]] = data[i, 1]

    return feed_dict

但是，在执行时，会出现以下错误

ValueError:尺寸必须相等，但对于输入形状为[0]、[42]的“mul”（op:'mul'），尺寸分别为0和42

是否可以一次提供所有数据

如果是的话，你们能给我一个解决这个问题的方法吗

是否可以一次提供所有数据

是的，我们可以提供一个批（如果没有内存限制，批可以是整个数据）

如果是的话，你们能给我一个解决这个问题的方法吗

定义接受一批输入而不是单个输入的占位符：

X = tf.placeholder(tf.float32, shape=[None,1], name='X')
Y = tf.placeholder(tf.float32, shape=[None,1],name='Y')

您的代码应该是：

w = tf.Variable(0.0, name='weights')
b = tf.Variable(0.0, name='bias')

Y_predicted = X * w + b 
loss = tf.reduce_mean(tf.square(Y - Y_predicted, name='loss'))
optimizer = tf.train.GradientDescentOptimizer(learning_rate=0.001).minimize(loss)

with tf.Session() as sess:

   sess.run(tf.global_variables_initializer()) 

   #train the model
   for i in range(50): # train the model 100 epochs
      #Session runs train_op and fetch values of loss
      _, l = sess.run([optimizer, loss], feed_dict={X: feed input of size (batch,1), Y: Output of size (batch,1) }) 

是否可以一次提供所有数据

是的，我们可以提供一个批（如果没有内存限制，批可以是整个数据）

如果是的话，你们能给我一个解决这个问题的方法吗

定义接受一批输入而不是单个输入的占位符：

X = tf.placeholder(tf.float32, shape=[None,1], name='X')
Y = tf.placeholder(tf.float32, shape=[None,1],name='Y')

您的代码应该是：

w = tf.Variable(0.0, name='weights')
b = tf.Variable(0.0, name='bias')

Y_predicted = X * w + b 
loss = tf.reduce_mean(tf.square(Y - Y_predicted, name='loss'))
optimizer = tf.train.GradientDescentOptimizer(learning_rate=0.001).minimize(loss)

with tf.Session() as sess:

   sess.run(tf.global_variables_initializer()) 

   #train the model
   for i in range(50): # train the model 100 epochs
      #Session runs train_op and fetch values of loss
      _, l = sess.run([optimizer, loss], feed_dict={X: feed input of size (batch,1), Y: Output of size (batch,1) }) 

---

shape=（无，1）

和

shape=[None，1]

之间有什么区别吗？我刚刚尝试了这两种方法，但仍然得到了相同的预期结果。是的，它可以表示为列表或元组。在

shape=（无，1）

和

shape=[None，1]

之间有什么区别吗？我刚刚尝试了这两种方法，但仍然得到了相同的预期结果。是的，它可以表示为列表或元组。