我是tensorflow的新手,我正在尝试将一些双向LSTM的代码从旧版本的tensorflow更新到最新版本(1.0),但是我得到了这个错误:
形状必须是等级2,但对于'MatMul_3'(op:'MatMul')具有输入形状的等级3:[100,?,400],[400,2] .
该错误发生在pred_mod上 .
_weights = {
# Hidden layer weights => 2*n_hidden because of foward + backward cells
'w_emb' : tf.Variable(0.2 * tf.random_uniform([max_features,FLAGS.embedding_dim], minval=-1.0, maxval=1.0, dtype=tf.float32),name='w_emb',trainable=False),
'c_emb' : tf.Variable(0.2 * tf.random_uniform([3,FLAGS.embedding_dim],minval=-1.0, maxval=1.0, dtype=tf.float32),name='c_emb',trainable=True),
't_emb' : tf.Variable(0.2 * tf.random_uniform([tag_voc_size,FLAGS.embedding_dim], minval=-1.0, maxval=1.0, dtype=tf.float32),name='t_emb',trainable=False),
'hidden_w': tf.Variable(tf.random_normal([FLAGS.embedding_dim, 2*FLAGS.num_hidden])),
'hidden_c': tf.Variable(tf.random_normal([FLAGS.embedding_dim, 2*FLAGS.num_hidden])),
'hidden_t': tf.Variable(tf.random_normal([FLAGS.embedding_dim, 2*FLAGS.num_hidden])),
'out_w': tf.Variable(tf.random_normal([2*FLAGS.num_hidden, FLAGS.num_classes]))}
_biases = {
'hidden_b': tf.Variable(tf.random_normal([2*FLAGS.num_hidden])),
'out_b': tf.Variable(tf.random_normal([FLAGS.num_classes]))}
#~ input PlaceHolders
seq_len = tf.placeholder(tf.int64,name="input_lr")
_W = tf.placeholder(tf.int32,name="input_w")
_C = tf.placeholder(tf.int32,name="input_c")
_T = tf.placeholder(tf.int32,name="input_t")
mask = tf.placeholder("float",name="input_mask")
# Tensorflow LSTM cell requires 2x n_hidden length (state & cell)
istate_fw = tf.placeholder("float", shape=[None, 2*FLAGS.num_hidden])
istate_bw = tf.placeholder("float", shape=[None, 2*FLAGS.num_hidden])
_Y = tf.placeholder("float", [None, FLAGS.num_classes])
#~ transfortm into Embeddings
emb_x = tf.nn.embedding_lookup(_weights['w_emb'],_W)
emb_c = tf.nn.embedding_lookup(_weights['c_emb'],_C)
emb_t = tf.nn.embedding_lookup(_weights['t_emb'],_T)
_X = tf.matmul(emb_x, _weights['hidden_w']) + tf.matmul(emb_c, _weights['hidden_c']) + tf.matmul(emb_t, _weights['hidden_t']) + _biases['hidden_b']
inputs = tf.split(_X, FLAGS.max_sent_length, axis=0, num=None, name='split')
lstmcell = tf.contrib.rnn.BasicLSTMCell(FLAGS.num_hidden, forget_bias=1.0,
state_is_tuple=False)
bilstm = tf.contrib.rnn.static_bidirectional_rnn(lstmcell, lstmcell, inputs,
sequence_length=seq_len, initial_state_fw=istate_fw, initial_state_bw=istate_bw)
pred_mod = [tf.matmul(item, _weights['out_w']) + _biases['out_b'] for item in bilstm]
任何帮助赞赏 .
1 回答
对于将来遇到此问题的任何人,都会使用 should not 以上的代码段 .
来自tf.contrib.rnn.static_bidirectional_rnn v1.1文件:
上面的列表理解是期待LSTM输出,正确的方法是这样:
这将有效,因为
outputs
中的每个item
都具有[batch_size, 2 * num_hidden]
的形状,并且可以通过tf.matmul()
与权重相乘 .加载项:从tensorflow v1.2开始,推荐使用的函数在另一个包中:tf.nn.static_bidirectional_rnn . 返回的张量是相同的,因此代码变化不大: