我是新手，如果这个问题看起来很傻，请原谅我，但我实在是在网上找不到相关信息。我在使用 tf.squared_difference 时，输出的形状与预期不符。我期望得到一个形状为 shape=(100, ?) 的张量作为损失，如下代码片段所示

[print("Logits",logits,"#Labels",labels,"LOSS",tf.squared_difference(labels,logits)) for logits, labels in zip(logits_series,labels_series)] 

然而，它产生了形状为 (100,100) 的损失

Logits Tensor(“add_185:0”, shape=(100, 1), dtype=float32) #Labels Tensor(“unstack_29:0”, shape=(100,), dtype=float32) LOSS Tensor(“SquaredDifference_94:0”, shape=(100, 100), dtype=float32) Logits Tensor(“add_186:0”, shape=(100, 1), dtype=float32) #Labels Tensor(“unstack_29:1”, shape=(100,), dtype=float32) LOSS Tensor(“SquaredDifference_95:0”, shape=(100, 100), dtype=float32)

我测试了另一个例子，代码如下，输出的形状符合预期。

myTESTX = tf.placeholder(tf.float32, [100, None])myTESTY = tf.placeholder(tf.float32, [100, 1])print("Test diff X-Y",tf.squared_difference(myTESTX,myTESTY) )print("Test diff Y-X",tf.squared_difference(myTESTY,myTESTX) )

Test diff X-Y Tensor(“SquaredDifference_92:0”, shape=(100, ?), dtype=float32) Test diff Y-X Tensor(“SquaredDifference_93:0”, shape=(100, ?), dtype=float32)

我无法理解为什么这两个代码片段会产生不同的输出形状

回答：

你的第一个例子（使用 logits 和 labels）与第二个例子（使用 myTESTX 和 myTESTY）之间存在细微的差异。logits 的形状与 myTESTY 相同，为 (100, 1)。然而，labels 的形状为 (100,)（这不是动态形状），而 myTESTX 的形状为 (100, ?)。

在第一个例子中（logits 和 labels），输入形状分别为 (100,) 和 (100,1)，TensorFlow 使用广播。由于两个输入形状都不是动态的，因此你的输出形状是静态的：(100, 100)，这是由于广播造成的。

在第二个例子中（myTESTX 和 myTESTY），输入形状分别为 (100, ?) 和 (100, 1)。第一个输入形状是动态的，因此你的输出形状也是动态的：(100, ?)。

作为一个更简单的、说明性的例子，在使用相同广播机制的 numpy 中，可以考虑以下代码：

import numpy as npx = np.arange(10)                # Shape: (10,)y = np.arange(10).reshape(10,1)  # Shape: (10, 1)difference = x-y                 # Shape: (10, 10)