Tensorflow错误：广播的形状不兼容

Question

我目前正在Tensorflow中开发一个程序，可以读取1750×1750像素的数据。我通过一个复杂的网络

import os
import sys

import tensorflow as tf
import Input

FLAGS = tf.app.flags.FLAGS

tf.app.flags.DEFINE_integer('batch_size', 100, "hello")
tf.app.flags.DEFINE_string('data_dir',     '/Volumes/Machine_Learning_Data',  "hello")

def inputs():
  if not FLAGS.data_dir:
    raise ValueError('Please supply a data_dir')
  data_dir = os.path.join(FLAGS.data_dir, 'Data')
  images, labels = Input.inputs(data_dir = data_dir, batch_size =     FLAGS.batch_size)
  return images, labels

def weight_variable(shape):
    initial = tf.truncated_normal(shape, stddev=0.1)
    return tf.Variable(initial)

def bias_variable(shape):
    initial = tf.constant(0.1, shape = shape)
    return tf.Variable(initial)

def conv2d(images, W):
    return tf.nn.conv2d(images, W, strides = [1, 1, 1, 1], padding =     'SAME')

def max_pool_5x5(images):
    return tf.nn.max_pool(images, ksize = [1, 5, 5, 1], strides = [1, 1, 1, 1], padding = 'SAME')

def forward_propagation(images):
  with tf.variable_scope('conv1') as scope:
      W_conv1 = weight_variable([5, 5, 1, 32])
      b_conv1 = bias_variable([32])
      image_matrix = tf.reshape(images, [-1, 1750, 1750, 1])
      h_conv1 = tf.nn.sigmoid(conv2d(image_matrix, W_conv1) + b_conv1)
      h_pool1 = max_pool_5x5(h_conv1)

  with tf.variable_scope('conv2') as scope:
      W_conv2 = weight_variable([5, 5, 32, 64])
      b_conv2 = bias_variable([64])
      h_conv2 = tf.nn.sigmoid(conv2d(h_pool1, W_conv2) + b_conv2)
      h_pool2 = max_pool_5x5(h_conv2)

  with tf.variable_scope('conv3') as scope:
      W_conv3 = weight_variable([5, 5, 64, 128])
      b_conv3 = bias_variable([128])
      h_conv3 = tf.nn.sigmoid(conv2d(h_pool2, W_conv3) + b_conv3)
      h_pool3 = max_pool_5x5(h_conv3)

  with tf.variable_scope('local3') as scope:
      W_fc1 = weight_variable([10 * 10 * 128, 256])
      b_fc1 = bias_variable([256])
      h_pool3_flat = tf.reshape(h_pool3, [-1, 10 * 10 * 128])
      h_fc1 = tf.nn.sigmoid(tf.matmul(h_pool3_flat, W_fc1) + b_fc1)
      keep_prob = tf.placeholder(tf.float32)
      h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)
      W_fc2 = weight_variable([256, 4])
      b_fc2 = bias_variable([4])

      y_conv = tf.nn.softmax(tf.matmul(h_fc1_drop, W_fc2) + b_fc2)
      return y_conv

def error(forward_propagation_results, labels):
    labels = tf.cast(labels, tf.float32)
    mean_squared_error = tf.square(tf.sub(labels, forward_propagation_results))
    cost = tf.reduce_mean(mean_squared_error)
    train = tf.train.GradientDescentOptimizer(learning_rate = 0.3).minimize(cost)
    return train

print cost

不幸的是出现了一个错误

广播的不兼容形状：张量形状（[尺寸（100）]）和张量形状（[尺寸（9187500），尺寸（4）]）

但我无法调试这个。在

矩阵维数有什么问题？询问者说错误发生在转铁器行。在

编辑：

这是调用函数的代码的主要部分。在

^{pr2}$

Answer 1

我发现了以下问题：

1. 您的labels输入是一个简单的一维标签标识符数组，但它必须是一个热编码的矩阵，其大小为[batch_size, 4]，填充有1或0。

2. 最大池操作需要有与1不同的跨距，才能实际减小图像的宽度和高度。所以设置strides=[1, 5, 5, 1]应该可以。

3. 在解决了这个问题之后，最大池操作实际上并没有像您假设的那样将宽度/高度从1750降低到10，而是只降低到14（因为1750 / 5 / 5 / 5 == 14）。所以你可能想增加你的权重矩阵，但是还有其他的选择。

4. 你的图像有可能从3个频道开始吗？这里假设的是灰度，所以您应该重塑image_matrix以具有3个通道，或者将图像转换为灰度。

应用这些修复后，网络输出和标签都应该是[batch_size, 4]的形状，并且您应该能够计算差异。在

编辑：我在讨论了下面聊天中的代码后，对其进行了调整。在

Answer 2

一个热标签为其输入添加维度。例如，如果labels张量为[batch，1]，使用tf.one_hot(batch_labels, depth=2, axis=-1)返回一个[batch，1,2]维张量。对于labels张量的size[batch\u size，1]的情况下，以下脚本可以作为消除额外维度的解决方案：

tf.one_hot(tf.squeeze(batch_labels,[1]), depth=2, axis=-1)

基本上，labels张量的大小必须是[batch\u size，]。这个tf.挤压（）功能，消除特定尺寸。参数[1]提示函数消除第二个维度1。在