我有一个热编码标签(从0到10的11个类):
# one-hot encode labels
from sklearn.preprocessing import OneHotEncoder
labels = df.rating.values.reshape([-1, 1])
encoder = OneHotEncoder(sparse=False)
encoder.fit(labels)
labels = encoder.transform(labels)
并具有以下占位符:
^{pr2}$我正在使用sparse_softmax_cross_entropy
:
with graph.as_default():
logits = tf.layers.dense(inputs=outputs[:, -1], units=1)
loss = tf.losses.sparse_softmax_cross_entropy(labels=labels_, logits=logits)
optimizer = tf.train.AdamOptimizer(learning_rate).minimize(loss)
TF抛出:ValueError: Cannot feed value of shape (500, 1, 11) for Tensor 'labels:0', which has shape '(?, 1)'
我什么都试过了,但都没用。一个热编码数据的正确占位符是什么?在
第二个维度应该是你有多少个类。一个热编码意味着,假设你有10个类,你对类5进行编码,就会得到一个向量[0,0,0,0,0,1,0,0,0,0]的长度为10。所以代码应该是:
同样,^{} 接受一个类标签,而不是一个热编码。所以要么你先用^{} 对它进行解码,然后再将其发送给^{} ,如下所示:
^{pr2}$或者真正的问题是,为什么你要首先使用ont热编码?您只需将
df.rating.values.reshape([-1, 1])
作为labels_
输入到图中,并将1保持在第二个维度中。整个一个热编码块是不必要的。在您的代码中还有一些其他问题(未在原始问题中显示)会影响此问题。首先,你要像这样给网络提供信息:
{{{cd7}试图解决问题。问题是在Numpy中索引
None
有一个特殊的含义:它将插入一个新的维度。这就是( 500, 1, 1 )
中额外维度的来源。索引y
在这里是不必要的,我已经删除了。所以代码应该是:接下来是另一个问题,一个非常常见的错误,在这一行:
您将
loss
的值赋给loss
,因此loss
现在是一个数字,而不是张量。第二次代码迭代失败。我把它改成当然,您还需要将该更改传播到
print()
:另外,在定义逻辑的地方,你必须有11个单元,因为你有11个类(0-10),并且每个类需要一个概率:
随着这些变化,训练运行,甚至似乎学到了一些东西:
相关问题 更多 >
编程相关推荐