源码粘贴
import tensorflow as tf
import numpy as np
BATCH_SIZE = 8#每次喂入神经网络的数据组数
seed = 23455
#基于seed产生随机数
rng = np.random.RandomState(seed)
#随机数返回32行2列的矩阵 表示32组 体积和重量 作为输入数据集
X = rng.rand(32, 2)
#从X这个32行2列的矩阵中取出一行判断如果和小于1 给Y赋值1 如果和不小于1 给Y赋值0作为输入数据集的标签(正确答案)
###修正报错后的写法 Y = [[int(x0 + x1 <1)] for (x0, x1) in X]
Y = [[int(x0 + x1 <1) for (x0, x1) in X]]
print("X:\n", X)#输出随机生成的数据集以及对应的标签集
print("Y:\n", Y)
#1定义神经网络的输入、参数和输出,定义前向传播过程。
x = tf.placeholder(tf.float32, shape=(None, 2))#一次输入的BATCH_SIZE组数据
y_ = tf.placeholder(tf.float32, shape=(None, 1))#输入后得到的值
w1 = tf.Variable(tf.random_normal([2, 3], stddev=1, seed=1))
w2 = tf.Variable(tf.random_normal([3, 1], stddev=1, seed=1))
a = tf.matmul(x, w1)
y = tf.matmul(a, w2)#y是预测值,y_是输入的一组标签值
#2定义损失函数及反向传播方法。
loss = tf.reduce_mean(tf.square(y-y_))
train_step = tf.train.GradientDescentOptimizer(0.001).minimize(loss)
#train_step = tf.train.MomentumOptimizer(0.001, 0.9).minimize(loss)
#train_step = tf.train.AdamOptimizer(0.001).minimize(loss)
#3生成会话,训练STEPS轮
with tf.Session() as sess:
init_op = tf.global_variables_initializer()
sess.run(init_op)
#输出目前(未经训练)的参数取值
print("w1:\n", sess.run(w1))
print("w2:\n", sess.run(w2))
#训练模型。
STEPS = 3000
for i in range(STEPS):
start = (i*BATCH_SIZE) % 32
end = start + BATCH_SIZE
sess.run(train_step, feed_dict={x: X[start: end], y_: Y[start:end]})
if i % 500 == 0:
total_loss = sess.run(loss, feed_dict={x:X, y_:Y})#将全部数据输入得总的损失值
print("After %d training steps, loss on all data is %g"%(i, total_loss))
print("\n")
print("w1:\n", sess.run(w1))
print("w2:\n", sess.run(w2))
报错如下
sess.run(train_step, feed_dict={x: X[start: end], y_: Y[start:end]})
。。。。。省略没用的
ValueError: Cannot feed value of shape (1, 32) for Tensor 'Placeholder_1:0', which has shape '(?, 1)'
报错分析
由报错信息可知,是因为喂入训练的数据集格式和所期待的数据集格式冲突所引起的,查看源码找到喂入数据修正格式即可
总结
以后再遇到诸如此类问题,要保证 :喂入训练的数据集格式和所期待的数据集格式吻合