tensorflow - 在 tensorflow 中恢复使用可变输入长度训练的模型导致 InvalidArgumentError

Question

我对 tensorflow 比较陌生，目前正在尝试不同复杂度的模型。我对包的保存和恢复功能有疑问。就我对教程的理解而言，我应该能够恢复经过训练的图形，并在以后使用一些新输入运行它。但是，当我尝试这样做时出现以下错误:

InvalidArgumentError (see above for traceback): Shape [-1,10] has negative dimensions [[Node: Placeholder = Placeholderdtype=DT_FLOAT, shape=[?,10], _device="/job:localhost/replica:0/task:0/cpu:0"]]

我对消息的理解是，恢复的图形不喜欢任意保留一维，而这对于我事先不知道我的输入有多大的实际情况是必要的。一个代码片段作为一个最小的例子，产生上面的错误，可以在下面找到。我知道如何单独恢复每个张量，但是当模型变得复杂时，这很快就会变得不切实际。我很感谢我得到的任何帮助，如果我的问题很愚蠢，我深表歉意。

import numpy as np
import tensorflow as tf

def generate_random_input():
    alist = []
    for _ in range(10):
        alist.append(np.random.uniform(-1, 1, 100))
    return np.array(alist).T
def generate_random_target():
    return np.random.uniform(-1, 1, 100)

x = tf.placeholder('float', [None, 10])
y = tf.placeholder('float')

# the model 
w1 = tf.get_variable('w1', [10, 1], dtype=tf.float32, initializer=tf.contrib.layers.xavier_initializer(seed=1))
b1 = tf.get_variable('b1', [1], dtype=tf.float32, initializer=tf.contrib.layers.xavier_initializer(seed=1))

result = tf.add(tf.matmul(x, w1), b1, name='result')

loss = tf.reduce_mean(tf.losses.mean_squared_error(predictions=result, labels=y))
optimizer = tf.train.AdamOptimizer(0.03).minimize(loss)
saver = tf.train.Saver()
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    sess.run([optimizer, loss], feed_dict={x: generate_random_input(), y: generate_random_target()})
    saver.save(sess, 'file_name')

# now load the model in another session:
sess2 = tf.Session()
saver = tf.train.import_meta_graph('file_name.meta')
saver.restore(sess2, tf.train.latest_checkpoint('./'))
graph = tf.get_default_graph()
pred = graph.get_operation_by_name('result')
test_result = sess2.run(pred, feed_dict={x: generate_random_input()})

Answer 1

在最后一行中，您不使用数据 feed_dict label_palceholder。所以在占位符中，除了批量大小之外，[-1] 维度仍然是 -1。这就是原因。