使用批量大小大于1的TensorFlow占位符形状

我定义了两个占位符，x带有形状[None，11]，y带有形状[None，10]。使用None作为第一维度，我应该能够使用具有各种批量大小的模型

如果我在随机梯度下降模式下运行，使用批量大小1，一切正常

sess.run(train, {x: [df.values[i][0:11]], y: [df.values[i][11:]]})

在这种情况下，占位符x和y的形状为（1,11）和（1,10）

如果我在全批量梯度下降模式下运行，使用批量大小1000， 我得到不兼容的矩阵运算错误。 在这种情况下，占位符x和y的形状分别为（1000,11）和（1000,10）

InvalidArgumentError（回溯见上文）：不兼容的形状：[10,10]与[1000,10]

[[Node:gradients/Sub_grad/BroadcastGradientArgs=BroadcastGradientArgs[T=DT_INT32，_device=“/job:localhost/replica:0/task:0/cpu:0”]（渐变/Sub_grad/Shape，渐变/Sub_grad/Shape_1）]]

当然我不能减去a（10,10）和a（1000,10）。 但我认为TensorFlow会为我处理“批量大小”的问题吗？ 多谢各位

import pandas as pd
import tensorflow as tf
import numpy


## Import the Dummy Data from Excel
df = pd.read_excel("../data/DummyData.xlsx", sheetname=0, header=0, skiprows=1 )


x = tf.placeholder(tf.float32, shape=[None,11])
y = tf.placeholder(tf.float32, shape=[None,10])

# layer 1
W1 = tf.Variable(tf.random_normal(shape=[11,10]))
b1 = tf.Variable(tf.random_normal(shape=[10,1]))
prop_fn_1 = tf.matmul(x,W1) + b1
akt_fn_1 = tf.sigmoid(prop_fn_1)

# layer2
W2 = tf.Variable(tf.random_normal(shape=[10,10]))
b2 = tf.Variable(tf.random_normal(shape=[10,1]))
prop_fn_2 = tf.matmul(prop_fn_1, W2) + b2
akt_fn_2 = tf.sigmoid(prop_fn_2)


init = tf.global_variables_initializer()
# error
loss = tf.reduce_sum(tf.square(tf.subtract(akt_fn_2,y)))
opt = tf.train.GradientDescentOptimizer(0.0001)
train = opt.minimize(loss)



# Train Stochastic
# Using Gradient Descent

sess = tf.Session()
sess.run(init)
for i in range(1000):
    sess.run(train, {x: [df.values[i][0:11]], y: [df.values[i][11:]]})

    if i % 100 == 0:
        print( sess.run(loss,{x: [df.values[i][0:11]], y: [df.values[i][11:]]} ))
sess.close()

print("*****************")


# Train with Max Batch Size
# Using Gradient Descent
sess = tf.Session()
sess.run(init)
for i in range(1000):
    sess.run(train, feed_dict={x: df.values[:,:11], y: df.values[:,11:]})

    if i % 100 == 0:
        print(sess.run(loss, feed_dict={x: df.values[:,:11], y: df.values[:,11:]}))
sess.close()

---

你能帮我试试这个吗

b1 = tf.Variable(tf.random_normal(shape=[10]))
b2 = tf.Variable(tf.random_normal(shape=[10]))

---

TF如何知道如何对不相容张量进行运算？哇，谢谢，它很管用。请给我一些关于你黑暗艺术的见解/理由。你第一次矩阵乘法的结果是None x 10。您希望为10个值（我指定的值）中的每一个添加偏差。相反，你说你添加了一个形状为[10,1]的矩阵。看看numpy是如何工作的会有很大帮助，但是文档目前似乎已经不存在了：（好吧，我明白了。b1=tf.Variable（tf.random_normal（shape=[1,10]）将等同于b1=tf.Variable（tf.random_normal（shape=[10]）？不。这个想法是，如果你有一个形状为[5,4,3,2,1]的张量，然后你添加一个形状为[1]的张量）（标量值），将此值添加到5*4*3*2实例中的每个实例中。如果我没有很好地解释它，请原谅：s