tensorflow: Argument non valide Erreur dans Convolution

Question

je tentais d'exécuter ce morceau de code Python et ne peut pas sembler pour contourner l'erreur:

tf.nn.conv2d(tf.reshape(x, [5, 5]), tf.reshape(wt, [3, 3]), strides=[1, 1], padding='SAME') 

Ici, x est un tf.Variable d'un (5,5) numpy array et w est un tf.Variable d'un tableau (3.3) numpy.

L'erreur que je reçois est:

--------------------------------------------------------------------------- 
InvalidArgumentError      Traceback (most recent call last) 
C:\Anaconda3\lib\site-packages\tensorflow\python\framework\common_shapes.py in _call_cpp_shape_fn_impl(op, input_tensors_needed, input_tensors_as_shapes_needed, debug_python_shape_fn, require_shape_fn) 
    669   node_def_str, input_shapes, input_tensors, input_tensors_as_shapes, 
--> 670   status) 
    671 except errors.InvalidArgumentError as err: 

C:\Anaconda3\lib\contextlib.py in __exit__(self, type, value, traceback) 
    65    try: 
---> 66     next(self.gen) 
    67    except StopIteration: 

C:\Anaconda3\lib\site-packages\tensorflow\python\framework\errors_impl.py in raise_exception_on_not_ok_status() 
    468   compat.as_text(pywrap_tensorflow.TF_Message(status)), 
--> 469   pywrap_tensorflow.TF_GetCode(status)) 
    470 finally: 

InvalidArgumentError: Shape must be rank 4 but is rank 2 for 'Conv2D_19' (op: 'Conv2D') with input shapes: [5,5], [3,3]. 

Answer 1

Pour utiliser tf.nn.conv2d. Votre entrée et votre filtre doivent tous les deux être transformés en 4D. En outre, strides doit être 1-D of length 4 (fenêtre glissante pour chacune des dimensions de l'entrée). Ce qui suit est tiré de la documentation:

Given an input tensor of shape [batch, in_height, in_width, in_channels] and a filter/kernel tensor of shape [filter_height, filter_width, in_channels, out_channels], this op performs the following:

Flattens the filter to a 2-D matrix with shape [filter_height * filter_width * in_channels, output_channels]. Extracts image patches from the input tensor to form a virtual tensor of shape [batch, out_height, out_width, filter_height * filter_width * in_channels]. For each patch, right-multiplies the filter matrix and the image patch vector.

Vous pouvez prendre: tf.reshape(x, [1, 5, 5, 1]) pour les données, tf.reshape(wt, [3, 3, 1, 1]) pour le filtre et strides=[1, 1, 1, 1]. Cela se traduit par:

tf.nn.conv2d(tf.reshape(x, [1, 5, 5, 1]), tf.reshape(wt, [3, 3, 1, 1]), strides=[1, 1, 1, 1], padding='SAME')