为什么不一致的形状numpy vs cntk？

我刚刚开始学习cntk。但是，我有一个基本问题阻碍了我的进步。我有以下的测试通过：为什么不一致的形状numpy vs cntk？

import numpy as np 
from cntk import input_variable, plus 

def test_simple(self): 

    x_input = np.asarray([[1, 2, 2]], dtype=np.int64) 
    assert (1, 3) == x_input.shape 

    y_input = np.asarray([[5, 3, 3]], dtype=np.int64) 
    assert (1, 3) == y_input.shape 

    x = input_variable(x_input.shape[1]) 
    assert (3,) == x.shape 

    y = input_variable(y_input.shape[1]) 
    assert (3,) == y.shape 

    x_plus_y = plus(x, y) 
    assert (3,) == x_plus_y.shape 

    res = x_plus_y.eval({x: x_input, y: y_input}) 

    assert 6 == res[0, 0, 0] 
    assert 5 == res[0, 0, 1] 
    assert 5 == res[0, 0, 2]

据我所知，输出的形状为（1，1，3）作为第一和第二轴线是分批和分别缺省的动态轴。

但是，为什么我需要将输入变量的形状设置为（3，）而不是（1，3）。使用（1，3）失败。

为什么图中输入节点的形状与用作该节点输入的numpy数据之间存在不一致？

谢谢水稻

来源

2017-01-26 PaddyH6

这是为Function.forward解释一点点的“论据”的说明。另一种描述是here。你们混淆的原因可能是CNTK做了一些“有用的”转换。

如果您将输入指定为（1,3），则需要在没有序列轴的小批次或（x，1,3）数组列表的情况下提供（1,3）数组列表如果是具有序列轴的小批次（其中x对于小批次中的每个序列而言可能不同）。同样，如果您将输入指定为（3，），则需要提供（3，）向量列表或（x，3）向量列表。

混乱可能是由于没有提供列表的情况而引起的。在那种情况下，CNTK在提供的张量的引导轴上迭代并且创建这些元素的列表，例如，（5,1,3）张量变成每个具有（1,3）形状的一批5个元素。

来源

2017-01-26 23:33:45

为什么不一致的形状numpy vs cntk？

回答

相关问题