tensorflow.python.framework.errors_impl.InvalidArgumentError: Incompatible formes [10] contre [10000]

Question

Je suis nouveau aux réseaux de neurones et d'apprendre à utiliser tensorflow de here, mais quand je lance le code, il donne l'erreur:

tensorflow.python.framework.errors_impl.InvalidArgumentError: Incompatible shapes: [10] vs. [10000] 
[[Node: Equal = Equal[T=DT_INT64, _device="/job:localhost/replica:0/task:0/cpu:0"](ArgMax, _arg_Placeholder_2_0_2)]] 

Mon code est le suivant:

import tensorflow as tf 
import numpy as np 
from tensorflow.examples.tutorials.mnist import input_data 

data = input_data.read_data_sets("data/MNIST/", one_hot=True) 
data.test.cls = np.array([label.argmax() for label in data.test.labels]) 
img_size = 28 
img_size_flat = img_size * img_size 
img_shape = (img_size, img_size) 
num_classes = 10 

x = tf.placeholder(tf.float32, [None, img_size_flat]) 
y_true = tf.placeholder(tf.float32, [None, num_classes]) 
y_true_cls = tf.placeholder(tf.int64, [None]) 

weights = tf.Variable(tf.zeros([img_size_flat, num_classes])) 
biases = tf.Variable(tf.zeros([num_classes])) 

logits = tf.matmul(x, weights) + biases 
y_pred = tf.nn.softmax(logits) 
y_pred_cls = tf.argmax(y_pred) 

cross_entropy = tf.nn.softmax_cross_entropy_with_logits(logits=logits, labels=y_true) 
cost = tf.reduce_mean(cross_entropy) 
optimizer = tf.train.GradientDescentOptimizer(learning_rate=0.5).minimize(cost) 

correct_prediction = tf.equal(y_pred_cls, y_true_cls) 
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32)) 

session = tf.Session() 
session.run(tf.global_variables_initializer()) 
batch_size = 100 

feed_dict_test = {x: data.test.images, 
        y_true: data.test.labels, 
        y_true_cls: data.test.cls} 

def print_accuracy(): 
    acc = session.run(accuracy, feed_dict=feed_dict_test) 
    print("Accuracy on test-set: {0:.1%}".format(acc)) 

print_accuracy() 

quelqu'un peut-il s'il vous plaît expliquer pourquoi je reçois cette erreur et comment résoudre ce ??

Answer 1

J'ai trouvé la solution, le problème était que je ne l'ai pas passé la dimension pour y_pred_cls si sa forme était (10), mais il devait être (?, 10) donc je mis à jour y_pred_cls = tf.argmax(y_pred)-y_pred_cls = tf.argmax(y_pred, axis=1)