开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

尺寸必须相等，但对于具有输入形状[ 128 ,1]，[64,128]的'sampled_softmax_loss/MatMul‘(op：'MatMul')，尺寸必须为1和128

对于具有输入形状[128, 1]和[64, 128]的'sampled_softmax_loss/MatMul'操作（op: 'MatMul'），尺寸必须为1和128。

这个问题涉及到矩阵乘法运算，其中第一个矩阵的形状是[128, 1]，第二个矩阵的形状是[64, 128]。根据矩阵乘法的规则，两个矩阵相乘的结果的尺寸应该是第一个矩阵的行数和第二个矩阵的列数。

在这个问题中，第一个矩阵的行数是128，第二个矩阵的列数是128。因此，这两个尺寸必须相等，都为128。

对于这个问题，可以采取以下解决方案：

检查输入数据的维度：确保输入数据的形状与所需的形状匹配。如果输入数据的形状不正确，可以通过调整数据的形状或进行转置来解决。
检查矩阵乘法操作的实现：确保矩阵乘法操作的实现正确，并且输入矩阵的形状与操作的要求相匹配。
调整输入数据的形状：如果输入数据的形状不匹配，可以通过调整数据的形状来满足要求。例如，可以使用reshape操作或transpose操作来改变数据的形状。

腾讯云相关产品和产品介绍链接地址：

腾讯云计算服务：https://cloud.tencent.com/product
腾讯云人工智能服务：https://cloud.tencent.com/product/ai
腾讯云物联网平台：https://cloud.tencent.com/product/iotexplorer
腾讯云移动开发服务：https://cloud.tencent.com/product/mobdev
腾讯云存储服务：https://cloud.tencent.com/product/cos
腾讯云区块链服务：https://cloud.tencent.com/product/baas
腾讯云元宇宙服务：https://cloud.tencent.com/product/vr

请注意，以上链接仅供参考，具体的产品选择应根据实际需求和情况进行评估和选择。

相关搜索:尺寸必须相等，但对于具有输入形状[1, 15 ]，[1,500]的'MatMul_1‘(op：'MatMul')，尺寸必须为15和1 尺寸必须相等，但对于输入形状为[100, 1024 ]，[ 3136 ,100]的'MatMul_15‘(op：'MatMul')，尺寸必须为1024和3136 Keras错误:尺寸必须相等，但'loss/output_1_loss/SquaredDifference‘的尺寸必须相等，输入形状为：[8, 10 ]，[8,2]ValueError:形状的等级必须为0，但对于具有输入形状[1]的“”ReadFile“”(op：“”ReadFile“”)，其等级为1“”ValueError:维度必须相等，但对于输入形状为[1,400,400,1]，[1,3,3,1]的'Conv2D‘(op：'Conv2D')，维度必须为1和3 X和y必须具有相同的第一尺寸，但具有形状(3，)和(1，)，同时使用lmfit进行拟合 keras使用权重加载模型，发出ValueError:两个形状中的尺寸1必须相等，但分别为124和121 安全监控系统腾讯云先知计划腾讯云众测平台

相关搜索:

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

tf.nn

atrous_conv2d_transpose(): atrous_conv2d的转置。

01

Seq2Seq模型

前言：此文翻译自TensorFlow tutorial： Sequence-to-Sequence Models 本文的尽量在做到意思正确的情况下，做到不尬翻。但第一次尝试翻译，另加上英语水平有

tensorflow学习笔记（十一）：seq2seq Model相关接口介绍

tf.sampled_softmax_loss()中调用了_compute_sampled_logits() 关于__compute_sampled_logits()

02

TensorFlow 常用函数汇总

本文介绍了tensorflow的常用函数，源自网上整理。 TensorFlow 将图形定义转换成分布式执行的操作, 以充分利用可用的计算资源(如 CPU 或 GPU。一般你不需要显式指定使用 CPU 还是 GPU, TensorFlow 能自动检测。如果检测到 GPU, TensorFlow 会尽可能地利用找到的第一个 GPU 来执行操作.并行计算能让代价大的算法计算加速执行，TensorFlow也在实现上对复杂操作进行了有效的改进。大部分核相关的操作都是设备相关的实现，比如GPU。　　下面是一些

03

【DL笔记9】搭建CNN哪家强？TensorFlow,Keras谁在行？

从【DL笔记1】到【DL笔记N】，是我学习深度学习一路上的点点滴滴的记录，是从Coursera网课、各大博客、论文的学习以及自己的实践中总结而来。从基本的概念、原理、公式，到用生动形象的例子去理解，到动手做实验去感知，到著名案例的学习，到用所学来实现自己的小而有趣的想法......我相信，一路看下来，我们可以感受到深度学习的无穷的乐趣，并有兴趣和激情继续钻研学习。正所谓 Learning by teaching，写下一篇篇笔记的同时，我也收获了更多深刻的体会，希望大家可以和我一同进步，共同享受AI无穷的乐趣。

02

【神经网络篇】--基于数据集cifa10的经典模型实例

最终，在cifar-10数据集上，通过一个短时间小迭代的训练，可以达到大致73%的准确率，持续增加max_steps，可以期望准确率逐渐增加如果max_steps比较大，则推荐使用学习速率衰减decay的SGD进行训练，这样训练过程中能达到的准确率峰值会比较高，大致有86% 其中L2正则以及LRN层的使用都对模型准确率有提升作用，它们都可以提升模型的泛化能力数据增强Data Augmentation在我们的训练中作用很大，它可以给单幅图增加多个副本，提高图片的利用率，防止对某一张图片结构的学习过拟合这刚好是利用了图片数据本身的性质，图片的冗余信息量比较大，因此可以制造不同的噪声并让图片依然可以被识别出来。如果神经网络可以克服这些噪声并准确识别，那么他的泛化能力必然很好。数据增强大大增加了样本量，而数据量的大小恰恰是深度学习最看重的，深度学习可以在图像识别上领先其他算法的一大因素就是它对海量数据的利用效率非常高。其他算法，可能在数据量大到一定程度时，准确率就不再上升了，而深度学习只要提供足够多的样本，准确率基本持续提升，所以说它是最适合大数据的算法

01

TensorFlow2.0 代码实战专栏（八）：双向循环神经网络示例

原项目 | https://github.com/aymericdamien/TensorFlow-Examples/

01

【论文复现】Top-K Off-Policy Correction for a REINFORCE RS论文复现

来源：https://zhuanlan.zhihu.com/p/329810387

05

深度学习进阶：多分类与TensorFlow

到目前为止，我们所接触的都是二分类问题，神经网络输出层只有一个神经元，表示预测输出\hat{y}y^是正类的概率{P}(y=1|x), \hat{y} > {0.5}P(y=1∣x),y^>0.5则判断为正类，反之判断为负类。那么对于多分类问题怎么办？

01

TF入门04-TF实现Word2Vec

Word2Vec是一组用来产生词嵌入的模型，包括两种主要的模型：skip-gram和CBOW。

02

TensorFlow API 树 (Python)

Python API Guides (仅记录日常用到的api) TensorFlow API 树 (Python) Tensor转换：　 Ref 生成tensor tf.string_to_number tf.to_double tf.to_float tf.to_bfloat16 tf.to_int32 tf.to_int64 tf.cast tensor形状op tf.shape tf.size tf.rank tf.reshape tf.squeeze tf.expand_di

02

Word2vec原理浅析及tensorflow实现

词向量的重要意义在于将自然语言转换成了计算机能够理解的向量。相对于词袋模型、TF-IDF等模型，词向量能抓住词的上下文、语义，衡量词与词的相似性，在文本分类、情感分析等许多自然语言处理领域有重要作用。

02

CNN

32x32x1(f=5,s=1)—>28x28x6(k=2,s=2)—>14x14x6(f=5,s=1)—>10x10x16(k=2,s=2)—>5x5x16—>Fc(120)—>Fc(84)—>10

00

TensorFlow 高效编程

TensorFlow 和其他数字计算库（如 numpy）之间最明显的区别在于 TensorFlow 中操作的是符号。这是一个强大的功能，这保证了 TensorFlow 可以做很多其他库（例如 numpy）不能完成的事情（例如自动区分）。这可能也是它更复杂的原因。今天我们来一步步探秘 TensorFlow，并为更有效地使用 TensorFlow 提供了一些指导方针和最佳实践。

01

TF图层指南：构建卷积神经网络

本文介绍了如何利用TensorFlow搭建一个简单的CNN模型来识别MNIST数据集中的手写数字。首先，介绍了CNN模型的基本原理和TensorFlow中的Keras API。然后，使用MNIST数据集训练了一个具有卷积层和全连接层的CNN模型。最后，通过在测试集上评估模型的性能，得到了97.3%的准确率。

05

Char RNN原理介绍以及文本生成实践

下面是一个利用Char RNN实现写诗的应用，代码来自来自原先比较火的项目：https://github.com/jinfagang/tensorflow_poems，然后自己将其做成WEB应用，凑着学习了下如何使用tensorflow实现char rnn

01

tensorflow常用函数API介绍

TensorFlow 将图形定义转换成分布式执行的操作, 以充分利用可用的计算资源(如 CPU 或 GPU。一般你不需要显式指定使用 CPU 还是 GPU, TensorFlow 能自动检测。如果检测到 GPU, TensorFlow 会尽可能地利用找到的第一个 GPU 来执行操作. 并行计算能让代价大的算法计算加速执行，TensorFlow也在实现上对复杂操作进行了有效的改进。大部分核相关的操作都是设

01

猪年快乐之TensorFlow中实现word2vec及如何结构化TensorFlow模型

猪年快乐之TensorFlow中实现word2vec及如何结构化TensorFlow模型

01

TensorFlow 深度学习第二版：1~5

人工神经网络利用了 DL 的概念。它们是人类神经系统的抽象表示，其中包含一组神经元，这些神经元通过称为轴突的连接相互通信。

02

tensorflow学习笔记（三）：损失函数

版权声明：本文为博主原创文章，转载请注明出处。 https://blog.csdn.net/u012436149/article/details/52874718

02

图像识别（三）cifar10.py

tf.app.flags.DEFINE_integer()等函数是添加了命令行的可选参数

04

tensorflow使用CNN分析mnist手写体数字数据集

本文实例为大家分享了tensorflow使用CNN分析mnist手写体数字数据集，供大家参考，具体内容如下

01

【DL笔记5】一文上手TensorFlow，并搭建神经网络实现手写数字识别

从【DL笔记1】到【DL笔记N】，是我学习深度学习一路上的点点滴滴的记录，是从Coursera网课、各大博客、论文的学习以及自己的实践中总结而来。从基本的概念、原理、公式，到用生动形象的例子去理解，到动手做实验去感知，到著名案例的学习，到用所学来实现自己的小而有趣的想法......我相信，一路看下来，我们可以感受到深度学习的无穷的乐趣，并有兴趣和激情继续钻研学习。正所谓 Learning by teaching，写下一篇篇笔记的同时，我也收获了更多深刻的体会，希望大家可以和我一同进步，共同享受AI无穷的乐趣。

06

图解一致性哈希算法，全网（小区局域网）最通俗易懂

word2vec是google 2013年提出的，从大规模语料中训练词向量的模型，在许多场景中都有应用，信息提取相似度计算等等。也是从word2vec开始，embedding在各个领域的应用开始流行，所以拿word2vec来作为开篇再合适不过了。本文希望可以较全面的给出Word2vec从模型结构概述，推导，训练，和基于tf.estimator实现的具体细节。完整代码戳这里https://github.com/DSXiangLi/Embedding

00

数据科学 IPython 笔记本一、TensorFlow

一、TensorFlow 原文：TensorFlow Tutorials 译者：飞龙协议：CC BY-NC-SA 4.0 1.1 TensorFlow 基本操作致谢：派生于 Aymeric Damien 的 TensorFlow 示例配置参考配置指南。 import tensorflow as tf # 基本的常量操作 # 由构造器返回的值 # 表示常量操作的输出 a = tf.constant(2) b = tf.constant(3) # 加载默认图 with tf.Session(

03

Tensorflow实现word2vec

摘要总结：本文研究了如何通过使用技术社区中的内容编辑人员来提高内容质量，并总结了相关的方法和实践。

07

tensorflow 0.10 word2vec 源码解析

版权声明：本文为博主原创文章，转载请注明出处。 https://blog.csdn.net/u012436149/article/details/52848013

03

从锅炉工到AI专家(10)

RNN循环神经网络(Recurrent Neural Network) 如同word2vec中提到的，很多数据的原型，前后之间是存在关联性的。关联性的打破必然造成关键指征的丢失，从而在后续的训练和预测流程中降低准确率。除了提过的自然语言处理(NLP)领域，自动驾驶前一时间点的雷达扫描数据跟后一时间点的扫描数据、音乐旋律的时间性、股票前一天跟后一天的数据，都属于这类的典型案例。因此在传统的神经网络中，每一个节点，如果把上一次的运算结果记录下来，在下一次数据处理的时候，跟上一次的运算结果结合在一起混合运

05

教程 | 基于LSTM实现手写数字识别

基于tensorflow，如何实现一个简单的循环神经网络，完成手写数字识别，附完整演示代码。

03

如何使用TensorFlow实现卷积神经网络

编者按：本文节选自图书《TensorFlow实战》第五章，本书将重点从实用的层面，为读者讲解如何使用TensorFlow实现全连接神经网络、卷积神经网络、循环神经网络，乃至Deep Q-Network。同时结合TensorFlow原理，以及深度学习的部分知识，尽可能让读者通过学习本书做出实际项目和成果。卷积神经网络简介卷积神经网络（Convolutional Neural Network，CNN）最初是为解决图像识别等问题设计的，当然其现在的应用不仅限于图像和视频，也可用于时间序列信号，比如音频信号

01

【最新TensorFlow1.4.0教程02】利用Eager Execution 自定义操作和梯度 (可在 GPU 运行)

点击上方“专知”关注获取更多AI知识! 【导读】主题链路知识是我们专知的核心功能之一，为用户提供AI领域系统性的知识学习服务，一站式学习人工智能的知识，包含人工智能（机器学习、自然语言处理、计算机视觉等）、大数据、编程语言、系统架构。使用请访问专知进行主题搜索查看 - 桌面电脑访问http://www.zhuanzhi.ai, 手机端访问http://www.zhuanzhi.ai 或关注微信公众号后台回复" 专知"进入专知，搜索主题查看。随着TensorFlow 1.4 Eager Execution

06

美还是丑？这有一个CNN开发的颜值评分器 | 实战

在人工智能的发展越来越火热的今天，其中智能应用也在伴随着我们的生活，其中最具有代表性的便是图像识别，并且其中的应用比比皆是，如车站的人脸识别系统，交通的智能监控车牌号系统等等。而卷积神经网络作为图像识别的首选算法，对于图像的特征提取具有很好的效果，而TensorFlow作为Google的开源框架具有很好的结构化特征，而本篇文章将利用卷积神经网络算法对图像识别进行应用，开发出颜值评分器的功能。

03

Char RNN原理介绍以及文本生成实践

Char-RNN，字符级循环神经网络，出自于Andrej Karpathy写的The Unreasonable Effectiveness of Recurrent Neural Networks。众所周知，RNN非常擅长处理序列问题。序列数据前后有很强的关联性，而RNN通过每个单元权重与偏置的共享以及循环计算（前面处理过的信息会被利用处理后续信息）来体现。Char-RNN模型是从字符的维度上，让机器生成文本，即通过已经观测到的字符出发，预测下一个字符出现的概率，也就是序列数据的推测。现在网上介绍的用深度学习写歌、写诗、写小说的大多都是基于这个方法。

01

无所不能的Embedding 1 - Word2vec模型详解&代码实现

word2vec是google 2013年提出的，从大规模语料中训练词向量的模型，在许多场景中都有应用，信息提取相似度计算等等。也是从word2vec开始，embedding在各个领域的应用开始流行，所以拿word2vec来作为开篇再合适不过了。本文希望可以较全面的给出Word2vec从模型结构概述，推导，训练，和基于tf.estimator实现的具体细节。完整代码戳这里 https://github.com/DSXiangLi/Embedding

03

Tensortflow学习笔记

w=tf.Variable(tf.random_normal(2,3,stddev=2, mean=0, seed=1))

01

一文详解 Word2vec 之 Skip-Gram 模型（实现篇）

前言上一篇的专栏介绍了Word2Vec中的Skip-Gram模型的结构和训练，如果看过的小伙伴可以直接开始动手用TensorFlow实现自己的Word2Vec模型，本篇文章将利用TensorFlow来完成Skip-Gram模型。还不是很了解Skip-Gram思想的小伙伴可以先看一下上一篇的专栏内容。本篇实战代码的目的主要是加深对Skip-Gram模型中一些思想和trick的理解。由于受限于语料规模、语料质量、算法细节以及训练成本的原因，训练出的结果显然是无法跟gensim封装的Word2Vec相比的

04

【NLP实战】如何基于Tensorflow搭建一个聊天机器人

实战是学习一门技术最好的方式，也是深入了解一门技术唯一的方式。因此，NLP专栏计划推出一个实战专栏，让有兴趣的同学在看文章之余也可以自动动手试一试。

00

【长文详解】卷积神经网络常见架构AlexNet、ZFNet、VGGNet、GoogleNet和ResNet模型的理论与实践

目前的常见的卷积网络结构有AlexNet、ZF Net、VGGNet、Inception、ResNet等等，接下来我们对这些架构一一详解。

04

重温目标检测--Fast R-CNN

版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/zhangjunhit/article/details/82661179

05

TensorFlow2.0代码实战专栏（六）：使用低级方法来构建神经网络以便更好地理解

原项目 | https://github.com/aymericdamien/TensorFlow-Examples/

02

resnet是卷积神经网络吗_神经网络架构搜索的应用

目前的常见的卷积网络结构有AlexNet、ZF Net、VGGNet、Inception、ResNet等等，接下来我们对这些架构一一详解。

04

TensorFlow 学习笔记

定义的公式只是 Computation Graph，在这执行这代码时计算还没发生，需要调用 run 方法并 feed 数据才真正执行。

04

tf.sparse

张量流将稀疏张量表示为三个独立的稠密张量:指标、值和dense_shape。在Python中，为了便于使用，这三个张量被收集到一个SparseTensor类中。如果有单独的指标、值和dense_shape张量，在传递到下面的ops之前，将它们包装在sparse张量对象中。具体来说，稀疏张量稀疏张量(指标、值、dense_shape)由以下分量组成，其中N和ndims分别是稀疏张量中的值和维数：

02

【深度学习】实例第三部分：TensorFlow

注意：此代码全部为TensorFlow1版本。查看Tensorflow版本 from __future__ import absolute_import, division, print_function, unicode_literals # 导入TensorFlow和tf.keras import tensorflow as tf from tensorflow import keras # 导入辅助库 import numpy as np import matplotlib.pyplot as

03

机器学习的大局：用神经网络和TensorFlow分类文本

本译文自Déborah Mesquita在https://medium.freecodecamp.org发表的Big Picture Machine Learning: Classifying Text with Neural Networks and TensorFlow ，文中版权、图像代码等数据均归作者所有。为了本土化，翻译内容略作修改。开发人员常说，如果你想开始机器学习，你应该先学习算法是如何工作的。但是我的经验表明并不是这样子。我说你应该首先能够看到大局：应用程序是如何工作的。一旦你了解了这一

深度学习对话系统实战篇 -- 简单 chatbot 代码实现

本文的代码都可以到我的 github 中下载：https://github.com/lc222/seq2seq_chatbot 前面几篇文章我们已经介绍了 seq2seq 模型的理论知识，并且从 tensorflow 源码层面解析了其实现原理，本篇文章我们会聚焦于如何调用 tf 提供的 seq2seq 的 API，实现一个简单的 chatbot 对话系统。这里先给出几个参考的博客和代码： tensorflow 官网 API 指导（http://t.cn/R8MiZcR ） Chatbots with Se

08

机器学习的大局：用神经网络和TensorFlow分类文本

该文章介绍了如何使用深度学习将文本分类为三个类别。首先，作者介绍了神经网络的基础知识和架构，然后提供了实现文本分类的代码示例。文章使用了MNIST数据集进行训练和测试，并使用不同的超参数进行优化。最后，作者评估了模型的性能，并提供了示例输出。"

01

Hello TensorFlow : MINST数据集识别

我们需要做的就是通过算法让电脑能够识别出图片中的数字，是不是像识别验证码一样。本文会介绍两种方法：

02

TensorFlow-CIFAR10 CNN代码分析

想了解更多信息请参考CIFAR-10 page，以及Alex Krizhevsky写的技术报告

02

Pointer-network理论及tensorflow实战

数据下载地址：链接:https://pan.baidu.com/s/1nwJiu4T 密码:6joq 本文代码地址：https://github.com/princewen/tensorflow_practice/tree/master/myPtrNetwork 1、什么是pointer-network Pointer Networks 是发表在机器学习顶级会议NIPS 2015上的一篇文章，其作者分别来自Google Brain和UC Berkeley。 Pointer Networks 也是一种seq2

07

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭