tensorflow回归模型预测天气 tensorflow回归关键点

本文旨在解决使用 TensorFlow Agents 的 DQNcollect_policy 时遇到的 InvalidArgumentError，该错误解析“'then' 和 'else' 必须具有相同的值”核心问题是TimeStepSpec中对单个元素形状的定义与实际TimeStep数据中包含批次维度的张量形状之间存在不一致。通过统一TimeStepSpec和TimeStep中张量的维度处理方式，特别是对于处理批量大小为1的情况，可以有效解决此问题。1. 问题描述

在使用tensorflow代理库中的dqn agent.collect_policy.action(time_step)方法时，可能会遇到一个tensorflow.python.framework.errors_impl.invalidargumenterror。完整的错误信息通常包含以下关键字：'then'和'else'必须具有相同的大小。但得到： ），而amountMachines是其长度，那么其TensorSpec的形状应定义为shape=(amountMachines，)。

TimeStepSpec 的错误示例：time_step_spec = TimeStep( step_type =tensor_spec.BoundedTensorSpec(shape=(1，)， dtype=tf.int32，minimum=0，maximum=2)，reward =tensor_spec.TensorSpec(shape=(1，)， dtype=tf.float32)， # 错误：对于标量应为 shape=()discount = tensor_spec.TensorSpec(shape=(1，)， dtype=tf.float32)， # 错误：对于标量应为 shape=() Observation = tensor_spec.TensorSpec(shape=(1，amountMachines)， dtype=tf.int32) # 错误：如果 amountMachines 是特征维度，不应包含额外的 (1，)) 登录后复制

正确的 TimeStepSpec译文：from tf_agents.specs import tensor_specfrom tf_agents.trajectories import TimeStepimport tensorflow as tf# 假设 amountMachines 是你的支撑支撑的长度amountMachines = 6 time_step_spec = TimeStep( step_type =tensor_spec.BoundedTensorSpec(shape=()， dtype=tf.int32，minimum=0，maximum=2)， # 修改为 shape=()reward = tensor_spec.TensorSpec(shape=()， dtype=tf.float32)， # 修改为 shape=()discount =tensor_spec.TensorSpec(shape=()， dtype=tf.float32)， # 修改为 shape=()observation =tensor_spec.TensorSpec(shape=(amountMachines，)， dtype=tf.int32) # 修改为(amountMachines，))num_possible_actions = 729action_spec = tensor_spec.BoundedTensorSpec( shape=()， dtype=tf.int32，minimum=0，maximum=num_possible_actions - 1)#其他代理初始化代码...#agent = dqn_agent.DqnAgent(...)#agent.initialize()登录后复制3.2构造TimeStep实例时添加模块模块

在创建实际的TimeStep实例时，即使批量大小为1，也需要确保每个张量都包含一个模块。

这意味着对于标量数据，需要将其封装在列表中并转换为张量（例如 tf.convert_to_tensor(， dtype=np.int32) # 完成安装值# 将NumPy转换阵列为Tensor，并添加批次维度# current_state_np 的形状是 (amountMachines，)，需要先 (1， amountMachines)current_state_batch = tf.expand_dims(tf.convert_to_tensor(current_state_np， dtype=tf.int32)， axis=0)#构造TimeStep实例time_step = TimeStep( step_type=tf.convert_to_tensor([step_type_val]， dtype=tf.int32)， # 标量数据添加模块奖励=tf.convert_to_tensor([reward_val]， dtype=tf.float32)， # 标量数据添加批次维度 discount=tf.convert_to_tensor([discount_val]， dtype=tf.float32)， # 标量数据添加批次维度观察=current_state_batch # 基础数据已批次维度)#现在可以安全添加地调用collect_policy# action_step = agent.collect_policy.action(time_step)登录后复制4. 注意事项与总结TensorSpec vs.实际张量形状：始终记得TensorSpec定义的是单个元素的形状，不包括批次维度。而实际制定策略的张量（如TimeStep中的各个部分）必须包含批次维度，即使批次大小为1。批次大小为1的特殊性：当batch_size=1时，标量数据（例如奖学金）在TensorSpec中应为shape=()，但在实际张量中应为shape=(1，)。支持数据（如初始）在TensorSpec中应为shape=(N，)，但在实际张量中应为shape=(1， N)。tf.expand_dims的使用：对于非标量初始值，如果其原始形状不包含批次维度，请务必使用tf.expand_dims(tensor， axis=0)来添加批次维度，相当于[batch_size，...]的形状。调试技巧： 当遇到这类维度错误时，仔细检查agent.time_step_spec和agent.action_spec的定义，并与你实际创建的TimeStep和ActionStep中的张量形状进行比对。可以使用tensor.shape和tensor_spec.shape来打印并验证。

通过以上，确保TimeStepSpec准确反映了单个数据元素的形状，并且在构造TimeStep实例时正确地包含了维度，即可解决collect_policy中出现的“‘然后’和” ‘else’必须具有相同的大小”错误。

这是tf_agents库中一个常见的陷阱，了解其内部的维度处理高效机制是使用该库的关键。

以上就是TensorFlow DQNcollect_policy时运行维度不匹配错误解析与解决方案的详细内容，更多请关注乐哥常识网相关其他！