Python 在Tensorflow中维度是如何工作的？
我对Python和Tensorflow一无所知。我想实现一种简单的CNN，这就是我到目前为止所做的：Python 在Tensorflow中维度是如何工作的？,python,tensorflow,Python,Tensorflow,我对Python和Tensorflow一无所知。我想实现一种简单的CNN，这就是我到目前为止所做的： import tensorflow as tf import numpy as np from libs import utils import cv2 import glob from tensorflow.python.framework.ops import reset_default_graph reset_default_graph() # We first get the gra
import tensorflow as tf
import numpy as np
from libs import utils
import cv2
import glob
from tensorflow.python.framework.ops import reset_default_graph
reset_default_graph()
# We first get the graph that we used to compute the network
g = tf.get_default_graph()
# And can inspect everything inside of it
[op.name for op in g.get_operations()]
X = tf.placeholder(tf.float32, [None,720000])
Y = tf.placeholder(tf.int32, [None])
X_data = []
files = glob.glob ("C:/Users/Maede/Desktop/Master Thesis/imlearning/*.jpg")
for myFile in files:
print(myFile)
image = cv2.imread (myFile)
X_data.append (image)
print('X_data shape:', np.array(X_data).shape)
data=np.array(X_data)
data=np.reshape(data,(30,720000))
label=np.array([(0,1),(1,0),(0,1),(1,0),(0,1),(1,0),(0,1),(1,0),(0,1),(1,0),
(0,1),(1,0),(0,1),(1,0),(0,1),(1,0),(0,1),(1,0),(0,1),(1,0),
(0,1),(1,0),(0,1),(1,0),(0,1),(1,0),(0,1),(1,0),(0,1),(1,0)])
###########################################################
train_batch_size = 2
def random_batch():
num_images = 30
idx = np.random.choice(num_images,
size=train_batch_size,
replace=False)
x_batch = data[idx,:]
y_batch = label[idx, :]
return x_batch, y_batch
######################
#
X_tensor = tf.reshape(X, [-1, 400,600,3])
filter_size = 5
n_filters_in = 3
n_filters_out = 32
W_1 = tf.get_variable(
name='W',
shape=[filter_size, filter_size, n_filters_in, n_filters_out],
initializer=tf.random_normal_initializer())
b_1 = tf.get_variable(
name='b',
shape=[n_filters_out],
initializer=tf.constant_initializer())
h_1 = tf.nn.relu(
tf.nn.bias_add(
tf.nn.conv2d(input=X_tensor,
filter=W_1,
strides=[1, 2, 2, 1],
padding='SAME'),
b_1))
n_filters_in = 32
n_filters_out = 64
n_output = 2
W_2 = tf.get_variable(
name='W2',
shape=[filter_size, filter_size, n_filters_in, n_filters_out],
initializer=tf.random_normal_initializer())
b_2 = tf.get_variable(
name='b2',
shape=[n_filters_out],
initializer=tf.constant_initializer())
h_2 = tf.nn.relu(
tf.nn.bias_add(
tf.nn.conv2d(input=h_1,
filter=W_2,
strides=[1, 2, 2, 1],
padding='SAME'),
b_2))
# We'll now reshape so we can connect to a fully-connected/linear layer:
h_2_flat = tf.reshape(h_2, [-1, 100*150* n_filters_out])
# NOTE: This uses a slightly different version of the linear function than the lecture!
h_3, W = utils.linear(h_2_flat, 400, activation=tf.nn.relu, name='fc_1')
# NOTE: This uses a slightly different version of the linear function than the lecture!
Y_pred, W = utils.linear(h_3, n_output, activation=tf.nn.softmax, name='fc_2')
y_one_hot = tf.one_hot( Y , 2 )
cross_entropy = -tf.reduce_sum(y_one_hot * tf.log(Y_pred + 1e-12))
optimizer = tf.train.AdamOptimizer().minimize(cross_entropy)
correct_prediction = tf.equal(tf.argmax(Y_pred, 1), tf.argmax(y_one_hot, 1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, 'float'))
sess = tf.Session()
sess.run(tf.global_variables_initializer())
batch_size = 2
n_epochs = 5
for epoch_i in range(n_epochs):
for batch_xs, batch_ys in random_batch():
sess.run(optimizer, feed_dict={
X: np.array(batch_xs).reshape([1,720000]),
Y: batch_ys
})
valid = data #### DATA haie validation
print(sess.run(accuracy,
feed_dict={
X: data,
Y: label
}))
X:np.array（batch_xs）.重塑（[1720000]），X:batch_xsnp。数组（batch_xs）对于batch_xs，在random_batch（）中使用batch_ys也是一种稍微奇怪的运行代码的方式，我想这也会导致您的问题。您通常使用for
来迭代某个iterable
在您的例子中，iterable就是您的函数返回的，一个带有batch_xs，batch_ys
的元组。但在同一步骤中，您将将元组的第一个（！）值解压缩为两个变量batch_xs
和batch_ys
replace=False
在您的情况下不起任何作用，因为您只调用了函数random\u batch（）
。在下一次迭代中，它将再次拥有完整的数据集
以下是一个简单的案例：
import numpy as np
# I removed a dimension from the arrays
data = np.array([[1.0, 1.0, 1.0],
[2.0, 2.0, 2.0],
[3.0, 3.0, 3.0]])
label = np.array([[10.0, 10.0, 10.0],
[20.0, 20.0, 20.0],
[30.0, 30.0, 30.0]])
def random_batch():
idx = np.random.choice(3, size=2)
x_batch = data[idx,:]
y_batch = label[idx, :]
return x_batch, y_batch
# the outer variable names x_batch and y_batch are not related at all to the ones
# inside random_batch()
# iterate over whatever random_batch() returns
# for x_batch, y_batch in random_batch() is equivalent to
# for (x_batch, y_batch) in random_batch()
# in the first iteration the iterable is `x_batch`, in the second one`y_batch`.
# and each of the iterable is "unpacked", basically in the first iteration
# your are assigning
# (x_batch, y_batch) = x_batch
# in the second iteration
# (x_batch, y_batch) = y_batch
# When unpacking you are splitting the two elements created by `size=2`
# in `random_batch()`
for (x_batch, y_batch) in random_batch():
print(x_batch)
print(y_batch)
这是基本的Python基础知识，要熟悉它，请查找元组解包
、iterable
和for循环
用这个替换内部for循环，它应该可以工作。这可能不是您所期望的，但却是您的代码应该做的
batch_xs, batch_ys = random_batch()
sess.run(optimizer, feed_dict={
X: np.array(batch_xs).reshape([1,720000]),
Y: batch_ys
})
如果你想用100个批次进行训练，可以这样做
for k in range(100):
batch_xs, batch_ys = random_batch()
sess.run(optimizer, feed_dict={
X: np.array(batch_xs).reshape([1,720000]),
Y: batch_ys
})
通常，您会尝试删除尽可能多与问题无关的代码，以便更容易找到问题。找到尽可能少的代码，仍然显示您的问题。
您的问题与tensorflow无关，因此您可以删除与tensorflow相关的所有内容，以便于查找。您的问题与numpy和数组形状有关。实际上这不是我的真实数据，因为它们还不可用。但是我想用很少的假数据来构造分类器。我用train\u batch\u size=2选择两个图像进行训练，“for”循环就是为了这个目的，你建议的命令帮不了我。第一个：np.array（batch_xs）.resporate（[train_batch_size，720000]）
有一个错误：ValueError:无法将大小为720000的数组重塑为形状（272000），第二个数组的大小为1440000，这同样不能用[None，720000]输入占位符X维度我想我需要这个循环来为两个批处理图像重复优化。（我选择批量大小为2）是的，我想用一些随机图像来训练我的网络。您是否要在sess.run（…）之前添加行print（'shape'，batch_xs.shape）
？这将超出当前批次的形状。试着告诉我形状。我在答案的末尾加了一个例子和一些文字。请试试看是的，我明白。我应该尽量减少我的代码以显示我的问题。谢谢你的建议。我试着打印（'shape'，batchxs.shape）
，它的（272000）。实际上，我想在每个历元中随机选取两张大小为（400*600*3=720000）的图像，并训练我的网络。在您建议的代码中，由于消除了for
循环，因此尺寸错误更改为：ValueError:无法将大小为1440000的数组重塑为形状（1720000），因为它试图将两个图像（720000*2=1440000）作为占位符（无720000）尺寸馈送到y
。