TensorFlow/TFLearn:ValueError:无法为Tensor u'target/Y:0'提供形状值(64,),其形状为'(？,10)'

Question

我一直在尝试使用tflearn和我自己的数据集执行回归.

使用tflearn我一直在尝试使用MNIST数据集实现基于示例的卷积网络.我没有使用MNIST数据集,而是尝试用我自己的数据替换训练和测试数据.我的数据是从csv文件中读取的,与MNIST数据的形状不同.我有255个功能,代表15*15网格和目标值.在示例中,我将行替换为24-30(并包含import numpy as np):

#read in train and test csv's where there are 255 features (15*15) and a target
csvTrain = np.genfromtxt('train.csv', delimiter=",")
X = np.array(csvTrain[:, :225]) #225, 15
Y = csvTrain[:,225]

csvTest = np.genfromtxt('test.csv', delimiter=",")
testX = np.array(csvTest[:, :225])
testY = csvTest[:,225]

#reshape features for each instance in to 15*15, targets are just a single number
X = X.reshape([-1,15,15,1])
testX = testX.reshape([-1,15,15,1])

## Building convolutional network
network = input_data(shape=[None, 15, 15, 1], name='input')

我收到以下错误:

ValueError:无法为Tensor u'target/Y:0'提供shape(64,)的值,其形状为'(？,10)'

我尝试了各种组合,并在stackoverflow中看到了类似的问题,但没有成功.此页面中的示例对我不起作用并引发类似错误,我不理解提供的答案或类似问题提供的答案.

我如何使用自己的数据？

Answer 1

简短的回答

在的线41 MNIST例如,还必须在输出尺寸改变10到1 network = fully_connected(network, 10, activation='softmax')到network = fully_connected(network, 1, activation='linear').请注意,您可以删除最终的softmax.

看你的代码,看来你有一个目标值Y,这意味着使用L2损失与mean_square(你会发现这里提供的所有损失):

regression(network, optimizer='adam', learning_rate=0.01,
                 loss='mean_square', name='target')

此外,重塑Y和Y_test以具有形状(batch_size,1).

答案很长:如何分析错误并找到错误

以下是如何分析错误:

• 错误是Cannot feed value ... for Tensor 'target/Y',这意味着它来自feed_dict参数Y.
• 同样,根据错误,您尝试提供Y值,of shape (64,)而网络期望形状(?, 10).
  • 它需要一个形状(batch_size,10),因为它最初是MNIST的网络(10个类)
• 我们现在想要为Y更改网络的预期值.
  • 在代码中,我们看到最后一层fully_connected(network, 10, activation='softmax')返回大小为10的输出
  • 我们将其更改为大小为1的输出而没有softmax: fully_connected(network, 1, activation='linear')

最后,它不是一个错误,而是一个错误的模型架构.