tensorflow ValueError: Размер 0 в обеих формах должен быть равен

Question

В настоящее время я изучаю TensorFlow. Я пытаюсь создать NN, который может точно оценить модель прогнозирования и присвоить ей оценку. Мой план прямо сейчас состоит в том, чтобы комбинировать оценки из уже существующих программ, запускать их через mlp, сравнивая их с истинными значениями. Я играл с данными MNIST, и я пытаюсь применить то, что я узнал в своем проекте. К сожалению, у меня есть проблема

def multilayer_perceptron(x, w1): 
    # Hidden layer with RELU activation 
    layer_1 = tf.matmul(x, w1) 
    layer_1 = tf.nn.relu(layer_1) 
    # Output layer with linear activation 
    #out_layer = tf.matmul(layer_1, w2) 
    return layer_1 

def my_mlp (trainer, trainer_awn, learning_rate, training_epochs, n_hidden, n_input, n_output): 
trX, trY= trainer, trainer_awn 
#create placeholders 
x = tf.placeholder(tf.float32, shape=[9517, 5]) 
y_ = tf.placeholder(tf.float32, shape=[9517, ]) 
#create initial weights 
w1 = tf.Variable(tf.zeros([5, 1])) 
#predicted class and loss function 
y = multilayer_perceptron(x, w1) 
cross_entropy = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(y, y_)) 
#training 
train_step = tf.train.AdamOptimizer(learning_rate=learning_rate).minimize(cross_entropy) 
correct_prediction = tf.equal(tf.argmax(y,1), tf.argmax(y_,1)) 
with tf.Session() as sess: 
    # you need to initialize all variables 
    sess.run(tf.initialize_all_variables()) 
    print("1") 
    for i in range(training_epochs + 1): 
     sess.run([train_step], feed_dict={x: [trX['V7'], trX['V8'], trX['V9'], trX['V10'], trX['V12']], y_: trY}) 
return 

код дает мне эту ошибку

ValueError: Dimension 0 in both shapes must be equal, but are 9517 and 1 

Эта ошибка возникает при запуске линии для cross_entropy. Я не понимаю, почему это происходит, если вам нужна дополнительная информация, я был бы рад передать ее вам.

Answer 1

в вашем случае, у имеет форму [9517, 1], в то время как y_ имеет форму [9517]. они не являются живыми. Попробуйте изменить y_, используя tf.reshape (y_, [-1, 1])