Несовместимые формы с Tensorflow Заполнитель

Question

Я получаю следующее сообщение об ошибке:

ValueError: Cannot feed value of shape (2, 2) for Tensor u'Placeholder_1:0', which has shape '(2,)'

В следующей строке:

nn_index = sess.run(pred, feed_dict={xtr: training_input, xte: test_input[index, :]})

вход подготовка данных имеет форму (24, 2) и тест ввода данные составляют (300, 2)

В то время как местонахождение rs, которые подают данные, инициализируются как

xtr = tf.placeholder("float", [None, 2]) 
xte = tf.placeholder("float", [2]) 

# Nearest Neighbor calculation using L1 Distance 
def metric_single(training, test): 
    distance = tf.sqrt(tf.reduce_sum(tf.square(tf.sub(training, test)), 
    reduction_indices=1, keep_dims=True)) 

    return distance 

# Prediction: Get min distance index (Nearest neighbor) 
pred = tf.arg_min(metric_single(xtr, xte), 0) 

Невозможно выяснить, что изменить в моем коде для решения этой проблемы.

~~~~ ~~~~ EDIT

test_input.shape 
>>>(300, 2) 

*Updated* 
test_input[index, :].shape 
>>>(2,) 

training_input.shape 
>>>(24, 2) 

*Updated* 
index 
>>>index: 0 

~~~~~ ПОЛНЫЙ ML ИСТОЧНИК ~~~~~

# Nearest Neighbor calculation using L1 Distance 
def metric_single(training, test): 
    distance = tf.sqrt(tf.reduce_sum(tf.square(tf.sub(training, test)), 
    reduction_indices=1, keep_dims=True)) 

    return distance 


xtr = tf.placeholder("float", [None, 2]) 
xte = tf.placeholder("float", [None, 2]) 

# Prediction: Get min distance index (Nearest neighbor) 
pred = tf.arg_min(metric_single(xtr, xte), 0) 

accuracy = 0 

# Initializing the variables 
init = tf.initialize_all_variables() 

def calculate_knn(training_input, training_output, test_input, test_output, k, index): 
    print 'training_input' 
    print training_input 
    print 'test_input' 
    print test_input 
    for j in range(k): 
    print 'training_input.shape' 
    print training_input.shape 
    print 'test_input[index, :].shape' 
    print test_input[index, :].shape 
    print 'index: ' + str(index) 

    nn_index = sess.run(pred, feed_dict={xtr: training_input, xte: test_input[index, :]}) 

    print 'knn #: ' + str(j+1) 
    print 'nn_index: ' + str(nn_index) 
    # Get nearest neighbor class label and compare it to its true label 
    print("Test", \ 
     "Sample:", test_input[i], \ 
     "Nearest Neightbor:", training_input[nn_index], \ 
    i, "Prediction:", np.argmax(training_output[nn_index]), \ 
     "True Class:", np.argmax(test_output[i])) 

    ## Remove nearest neighbor from test data to 
    ## find (k-1)nn 
    # training_input = tf.slice(training_input, [nn_index, 0], [-1, -1]) 
    training_input = np.delete(training_input, nn_index, 0) 

# Launch the graph 
with tf.Session() as sess: 
    sess.run(init) 
    Tr = TrainingData() 
    Te = TestData() 

    ## TODO: process test data in batches 

    # loop over test data 
    test_examples = Te.get_Xte() 
    for i in test_examples: 
     print 'in test data loop' 
     # Get nearest neighbor={xtr: Xtr, xte: Xte[i, :]}) 
     print 'Tr.get_Xtr()' 
     print Tr.get_Xtr() 

     print 'Te.get_Xte()' 
     print Te.get_Xte() 

     calculate_knn(Tr.get_Xtr(), Tr.get_Ytr(), Te.get_Xte(), Te.get_Yte(), 2, i) 


     #Calculate accuracy 
     if np.argmax(Ytr[nn_index]) == np.argmax(Yte[i]): 
      accuracy += 1./len(Xte) 

    print("Done!") 
    print("Accuracy:", accuracy) 

Answer 1

Проблема, кажется, что index список а не целое Python, в этой строке:

nn_index = sess.run(pred, feed_dict={xtr: training_input, xte: test_input[index, :]}) 

Если у вас есть Numpy массив размером 4x4, как следует, ваше выражение индексации будет иметь следующее поведение:

data = np.arange(0, 16).reshape(4, 4) # ==> [[ 0, 1, 2, 3], 
               [ 4, 5, 6, 7], 
               [ 8, 9, 10, 11], 
               [12, 13, 14, 15]] 

# 1. index is an int 
print data[0, :]  # ==> [0, 1, 2, 3] (4-element vector) 

# 2. index is a list of one int 
print data[[0], :]  # ==> [[0, 1, 2, 3]] (1x4 matrix) 

# 3. index is a list of two ints 
print data[[0, 0], :] # ==> [[0, 1, 2, 3], [0, 1, 2, 3]] (2x4 matrix) 

Поскольку, когда вы печатаете index вы получили результат [0 0], это выглядит, как вы в случае 3 здесь. Не зная ничего о том, что index средства, я подозреваю, что вы можете изменить feed_dict преобразовать index к междунар, например:

nn_index = sess.run(pred, feed_dict={xtr: training_input, xte: test_input[index[0], :]})