Python 罗吉特的形状不对

当我尝试使用softmax交叉熵函数时，我得到一个值错误

ValueError: Rank mismatch: Rank of labels (received 2) should equal rank of logits minus 1 (received 2).

问题是我的层是以这样一种方式构建的，我的logits应该只输出1个值

我的日志的形状是（5，1），但我不知道为什么会有一个5。每个实例的X是一个5x7矩阵

X=tf.placeholder（shape=（1,5,7），name='inputs'，dtype=tf.float32）
y=tf.placeholder（shape=（1，1），name='outputs'，dtype=tf.int32）
hidden1=tf.层密（X，150）
hidden2=tf.层密（hidden1，50）
logits=tf.layers.dense（hidden2，1）
具有tf.name_范围（“损失”）：
xentropy=tf.nn.sparse\u softmax\u cross\u熵，
logits=logits）
损失=tf.减少平均值（xentropy，name=“损失”）

问题是我的层是以这样一种方式构建的，我的logits应该只输出1个值

那不是真的。当X是一个

abxb

张量，并且你做了

tf.layers.density（X，c）

，你将X乘以一个

bxc

矩阵（偏差也加上了大小c）。因此，输出大小是

a X c

在您的例子中，因为X的第一个维度是5，所以即使对于logits，它仍然是5。你的登录应该是5号。所以你肯定做错了什么。如果没有更多信息，很难说什么是正确的。

Edit 检查注释，然后尝试此代码

X=tf.placeholder（shape=（1,5,7），name='inputs'，dtype=tf.float32）
y=tf.placeholder（shape=（1），name='outputs'，dtype=tf.int32）
展平=tf.层。展平（X）#形状（1,35）
hidden1=tf.层。致密（扁平，150）#形状（1150）
hidden2=tf.层。致密（hidden1,50）#形状（1,50）
logits=tf.layers.稠密（hidden2，1）#形状（1,1）
具有tf.name_范围（“损失”）：
#根据形状（1）的标签需要形状（1,1）的logit
xentropy=tf.nn.sparse\u softmax\u cross\u熵，
logits=logits）
损失=tf.减少平均值（xentropy，name=“损失”）

起初的 让我们仔细想想这里发生了什么

您可以创建一个

X

占位符，其形状为

（5,7）

（大概是（批量大小、数据大小））

将其输入到隐藏层，该层将形状从

（批次大小，数据大小）

转换为

（批次大小，单位）

（此处单位为150）

同样，对于具有

hidden2

和

logits

的下两个层，导致logits具有形状

（批次大小，1）

，在这种情况下为

（5，1）

您正在计算标签和logit之间的交叉熵。此处对形状的要求是logits必须具有形状

（批次大小，数量类）

，其中每个值是特定类别的权重，标签必须具有形状

（批次大小）

，其中每个值是特定样本的类别编号。这就是你的问题所在。您的

y

具有形状

（1,1）

，而TF只期望一个张量或形状

（5）

---

根据我的猜测，我认为您正试图将X作为单个样本的数据直接前馈（就像

（5,7）

形状的矩阵）。如果是这种情况，您应该让

X

采用

（1,5,7）

的形状，以向Tensorflow表示

X

仅代表一条数据

关于表示单个数据实例的5x7矩阵，您是对的。我的登录结果是1乘5乘1，但我不明白为什么5在这里。1乘5乘7应该表明5不是正确的批量大小？在这种情况下，您不应该直接将

（1,5,7）

张量送入致密层。“稠密”需要二维形状。您需要首先使用

tf.layers将其尺寸展平为
（1,35）
。展平（X）