时间戳

首页 > 解决方案 > tensorflow（tf）变量初始化形状错误？

python - tensorflow（tf）变量初始化形状错误？

问题描述

下面的代码旨在通过一个while循环构建“sy_logprob_n”，并在每个循环中填充一行dim。但是当我运行它时，它说

ValueError：使用输入暗淡 0 的索引超出范围；对于“while/strided_slice_1”（操作：“StridedSlice”），输入只有 0 个暗淡，输入形状为：[]、[1]、[1]、[1]，计算输入张量为：input[3] = <1> .

奇怪的是，当我将形状打印为 时print(tf.shape(sy_logprob_n),tf.shape(sy_ac_na))，它们的两种形状是不同的：

张量("Shape_2:0", shape=(0,), dtype=int32) 张量("Shape_3:0", shape=(2,), dtype=int32)

但是“sy_logprob_n”被初始化为“sy_ac_na”的形状。

有人有想法吗？提前致谢！！！

sy_ac_na = tf.placeholder(shape=[None, ac_dim], name="ac", dtype=tf.float32) 
batch_size=tf.shape(sy_ob_no)[0]

  sy_mean = build_mlp(sy_ob_no, ac_dim, 'mean', n_layers, size) # shape (batch,ac_dim)
  sy_logstd = tf.Variable(initial_value=0,name='std',expected_shape=[ac_dim],dtype=tf.float32) # logstd should just be a trainable variable, not a network output.
  sy_sampled_ac=tf.random_normal(tf.shape(sy_ac_na),mean=sy_mean,stddev=tf.exp(sy_logstd),seed=seed) # shape(batch,ac_dim)
  sy_logprob_n=tf.Variable(initial_value=0,expected_shape=tf.shape(sy_ac_na),name='sy_logprob_n',dtype=tf.float32)
  print(tf.shape(sy_logprob_n),tf.shape(sy_ac_na))

  def cond(sy_logprob_n,i,sy_ac_na):
    return tf.less(i,batch_size)

  def body(sy_logprob_n,i,sy_ac_na):
    distribution=tf.distributions.Normal(sy_mean,tf.exp(sy_logstd))
    log_prob=distribution.log_prob(sy_ac_na[i,:])
    tf.assign(sy_logprob_n[i],log_prob)
    i+=1
    return sy_logprob_n

  sy_logprob_n = tf.squeeze(tf.while_loop(cond,body,[sy_logprob_n,0,sy_ac_na]))  # shape (batch,)

标签： pythontensorflowneural-networkdeep-learning

解决方案

即使您指定了expected_shape，tf.Variable也会采用initial_value（此处为 0 ）的形状作为其形状。自 v1.0.0 以来，该expected_shape参数似乎已被弃用。我不确定为什么它仍然记录在tf.Variable. 我刚刚在 Github 上提交了一个问题。

推荐阅读