为什么形状不一致 numpy vs cntk？

Question

我刚开始学习cntk。但是，我有一个基本问题阻碍了我的进步。我通过了以下测试：

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]

我知道输出的形状是 (1, 1, 3)，因为第一轴和第二轴分别是批处理和默认动态轴。

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 数据不一致？

谢谢，稻田

Answer 1

这在"arguments"对Function.forward. Another description is here的描述中有一点解释。您感到困惑的原因可能是 CNTK 进行了一些 "helpful" 转换。

如果您将输入指定为 (1,3)，那么您需要提供一个 (1,3) 数组列表，以防没有序列轴的小批量或 (x,1,3) 列表在具有序列轴的小批量情况下的数组（其中 x 对于小批量中的每个序列可能不同）。同样，如果您将输入指定为 (3,)，则您需要提供 (3,) 向量列表或 (x,3) 向量列表。

混淆可能源于未提供列表的情况。在这种情况下，CNTK 遍历提供的张量的引导轴并从这些元素中创建一个列表，例如(5,1,3) 张量变成一批 5 个元素，每个元素的形状为 (1,3)。

为什么形状不一致 numpy vs cntk？

Why inconsistent shapes numpy vs cntk?

cntk