使用Tensorflow执行matmul时出现值错误

我完全是TensorFlow的初学者，我试图将两个矩阵相乘，但我不断遇到一个例外，即：

ValueError:形状TensorShape（[Dimension（2）]和TensorShape（[Dimension（None），Dimension（None）]必须具有相同的等级

下面是最简单的示例代码：

data=np.array（[0.1,0.2]）
x=tf.placeholder（“float”，shape=[2]）
T1=tf.Variable（tf.ones（[2,2]））
l1=tf.matmul（T1，x）
初始化所有变量（）
使用tf.Session（）作为sess：
sess.run（初始化）
运行（feed_dict={x:data}

令人困惑的是，以下非常类似的代码可以正常工作：

data=np.array（[0.1,0.2]）
x=tf.placeholder（“float”，shape=[2]）
T1=tf.Variable（tf.ones（[2,2]））
初始化所有变量（）
使用tf.Session（）作为sess：
sess.run（初始化）
run（T1*x，feed_dict={x:data}

有人能指出问题所在吗？我这里肯定遗漏了一些明显的东西。

op要求它的两个输入都是矩阵（即二维张量）*，并且不执行任何自动转换。你的

T1

变量是矩阵，但你的

x

占位符是长度为2的向量（即一维张量），这是错误的来源

相比之下，

*

运算符（的别名）是一种广播元素乘法。它将通过以下方式将向量参数转换为矩阵

要使矩阵乘法工作，您可以要求

x

为矩阵：

data = np.array([[0.1], [0.2]])
x = tf.placeholder(tf.float32, shape=[2, 1])
T1 = tf.Variable(tf.ones([2, 2]))
l1 = tf.matmul(T1, x)
init = tf.initialize_all_variables()

with tf.Session() as sess:
    sess.run(init)
    sess.run(l1, feed_dict={x: data})

data = np.array([0.1, 0.2])
x = tf.placeholder(tf.float32, shape=[2])
T1 = tf.Variable(tf.ones([2, 2]))
l1 = tf.matmul(T1, tf.expand_dims(x, 1))
init = tf.initialize_all_variables()

with tf.Session() as sess:
    # ...

…或者您可以使用op将向量转换为矩阵：

data = np.array([[0.1], [0.2]])
x = tf.placeholder(tf.float32, shape=[2, 1])
T1 = tf.Variable(tf.ones([2, 2]))
l1 = tf.matmul(T1, x)
init = tf.initialize_all_variables()

with tf.Session() as sess:
    sess.run(init)
    sess.run(l1, feed_dict={x: data})

data = np.array([0.1, 0.2])
x = tf.placeholder(tf.float32, shape=[2])
T1 = tf.Variable(tf.ones([2, 2]))
l1 = tf.matmul(T1, tf.expand_dims(x, 1))
init = tf.initialize_all_variables()

with tf.Session() as sess:
    # ...

---

*起初我发布答案时是这样，但现在

tf.matmul（）

还支持批处理矩阵乘法。这要求两个参数至少具有2维。有关更多详细信息，请参阅。

谢谢，太好了！错误消息非常隐晦。这是一个很好的观点！我将在下一个版本中发送修补程序对其进行改进。谢谢-那么可以将向量与矩阵相乘以获得向量吗（不是矩阵）？或者我必须遵循这个答案然后重塑？现在tf.multiplyGood变成了tf.multiplyGood建议。但是你缺少sess.run（l1，feed_dict={x:data}）}。虽然这是一件小事，但对于初学者来说可能是有帮助的。