tensorflow.python.framework.errors\u impl.InvalidArgumentError:不兼容的形状：[128784]与[96784]

我正在用python Keras运行VAE模型。 我在拟合autoencoder模型时遇到了错误（这里的名称为“vae”）

错误：

tensorflow.python.framework.errors\u impl.InvalidArgumentError:不兼容的形状：[128784]与[96784]

但我认为这两种形状在这里是相同的，正如我在下面展示的。 如果有人能给我一些建议，那将非常有帮助。谢谢

我的代码：

from keras.layers import Lambda, Input, Dense
from keras.models import Model
from keras.datasets import mnist
from keras.losses import mse, binary_crossentropy
from keras.utils import plot_model
from keras import backend as K


original_dim = 784 #28 * 28
input_shape = (original_dim, )
intermediate_dim = 512
batch_size = 128
latent_dim = 2
epochs = 50
epsilon_std = 1.0


#encoding
x = Input(batch_shape=(batch_size, original_dim))
h = Dense(intermediate_dim, activation = 'relu')(x) #h = hidden layer

#creating latent variable = z
z_mean = Dense(latent_dim)(h) #mean of latent variable (2 dimension)
z_log_sigma = Dense(latent_dim)(h) #log_sigma of latent variable (2 dimension)

def sampling(args):
    z_mean, z_log_sigma = args
    epsilon = K.random_normal(shape=(batch_size, latent_dim),
                              mean=0., 
                              #std=epsilon_std
                              )
    return(z_mean + K.exp(z_log_sigma) * epsilon)

z = Lambda(sampling, output_shape = (latent_dim,))([z_mean, z_log_sigma])

#encoder
encoder = Model(x, z_mean)

#decoding with z
decoder_h = Dense(intermediate_dim, activation='relu')
decoder_mean = Dense(original_dim, activation='sigmoid')

h_decoded = decoder_h(z)#input encoded z
x_decoded_mean = decoder_mean(h_decoded)

#autoencoder
vae = Model(x, x_decoded_mean)

#decoding to generate images
decoder_input = Input(shape=(latent_dim,))
_h_decoded = decoder_h(decoder_input)
_x_decoded_mean = decoder_mean(_h_decoded)

#generator
generator = Model(decoder_input, _x_decoded_mean)


#training
def vae_loss(x,x_decoded_mean):
    xent_loss = binary_crossentropy(x,x_decoded_mean)
    kl_loss = -0.5 * K.mean(1+z_log_sigma-K.square(z_mean)-K.exp(z_log_sigma), axis=-1)
    return(xent_loss+kl_loss)

vae.compile(optimizer = 'rmsprop', loss=vae_loss)

#creating dataset
(x_train, y_train), (x_test, y_test) = mnist.load_data()

x_train = x_train.astype('float32') / 255.
x_test = x_test.astype('float32') / 255.
x_train = x_train.reshape((len(x_train), np.prod(x_train.shape[1:])))
x_test = x_test.reshape((len(x_test), np.prod(x_test.shape[1:])))
print('x_train', x_train.shape)
print('x_test', x_test.shape)

vae.fit(x_train, x_train,
        shuffle=True,
        epochs=epochs,
        batch_size=batch_size,
        validation_data=(x_test, x_test))

---

根据您的代码，您似乎在模型中硬编码批量大小，这通常是一个坏主意

由于将输入定义为

x=input（batch\u shape=（batch\u size，original\u dim））

，因此网络希望数据正好位于shape

（128784）

。如果您的输入数据不是128的整数倍，则会出现问题，因为

vae.fit（）

将分批分割数据，对于最后一批，如果没有足够的数据填充整个批，则会发送部分数据。看起来，上一批只有96个样本，而不是128个，因此模型会引发形状不匹配错误

正确的方法是：不要在模型中的任何地方指定批量大小，只将参数传递给

fit

。实际上，这归结为从不使用Keras层的

batch\u shape

参数，而是使用

shape

并传递一个样本的形状：

x = Input(shape=(original_dim,))

如果有任何操作需要指定完整形状（即包括批量大小），请使用

None

：

epsilon = K.random_normal(shape=(None, latent_dim),
                          mean=0., 
                          #std=epsilon_std
                          )

---

根据您的代码，您似乎在模型中硬编码批量大小，这通常是一个坏主意

由于将输入定义为

x=input（batch\u shape=（batch\u size，original\u dim））

，因此网络希望数据正好位于shape

（128784）

。如果您的输入数据不是128的整数倍，则会出现问题，因为

vae.fit（）

将分批分割数据，对于最后一批，如果没有足够的数据填充整个批，则会发送部分数据。看起来，上一批只有96个样本，而不是128个，因此模型会引发形状不匹配错误

正确的方法是：不要在模型中的任何地方指定批量大小，只将参数传递给

fit

。实际上，这归结为从不使用Keras层的

batch\u shape

参数，而是使用

shape

并传递一个样本的形状：

x = Input(shape=(original_dim,))

如果有任何操作需要指定完整形状（即包括批量大小），请使用

None

：

epsilon = K.random_normal(shape=(None, latent_dim),
                          mean=0., 
                          #std=epsilon_std
                          )

---

你能给我们一个完整错误信息的复制粘贴吗？看来你是在模型中对批量大小进行硬编码，而不是将其保留为变量。如果数据样本不是批大小的精确倍数（最后一批较小，因此您看到的错误），则这将导致最后一个输入批出现问题。考虑在模型定义中指定批处理大小的沟槽（将其作为<代码>无代码/代码>）或修剪您的数据，因此它正好是批量大小的倍数。@ GPhilo谢谢您的评论。对不起，我是个新手，我真的不明白你指的是什么……为什么即使我确定了批量大小，他们的批量大小也不一样呢？我该如何修复代码呢？如果您能给我看任何代码示例，我非常高兴……再次感谢。不必抱歉，我们都是新的；）我将在适当的回答中详细说明。你能给我们一份完整错误信息的拷贝粘贴吗？看起来你是在模型中硬编码批量大小，而不是将其保留为变量。如果数据样本不是批大小的精确倍数（最后一批较小，因此您看到的错误），则这将导致最后一个输入批出现问题。考虑在模型定义中指定批处理大小的沟槽（将其作为<代码>无代码/代码>）或修剪您的数据，因此它正好是批量大小的倍数。@ GPhilo谢谢您的评论。对不起，我是个新手，我真的不明白你指的是什么……为什么即使我确定了批量大小，他们的批量大小也不一样呢？我该如何修复代码呢？如果您能给我看任何代码示例，我非常高兴……再次感谢。不必抱歉，我们都是新的；）我会在适当的回答中详细说明的。非常感谢，这让我完全信服。那么，我可以问一下，在什么样的情况下，您会为创建模型设置批量大小吗？很抱歉问了很多问题！不用担心：）原则上，除非有很好的理由，否则您永远不会在模型中设置批量大小。批量大小是一个训练超参数，与模型本身无关，因此模型应该是不可知的w.r.t。训练期间使用的特定批量非常感谢您，这完全让我信服。那么，我可以问一下，在什么样的情况下，您会为创建模型设置批量大小吗？很抱歉问了很多问题！不用担心：）原则上，除非有很好的理由，否则您永远不会在模型中设置批量大小。批次大小是一个训练超参数，与模型本身无关，因此模型应该是不可知的w.r.t。训练期间使用的特定批次大小