Warum inkonsistente Formen numpy vs cntk?

Question

Ich fange gerade an, cntk zu lernen. Ich habe jedoch eine grundlegende Frage, die mich davon abhält, Fortschritte zu machen. Ich habe folgenden Test, der übergibt:

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] 

Ich verstehe, dass die Form der Ausgabe ist (1, 1, 3) als die erste und die zweite Achse der Ansatz ist und jeweils dynamische Achse Standard.

Warum muss ich jedoch die Form der Eingabevariablen als (3,) statt (1, 3) festlegen. Die Verwendung von (1, 3) schlägt fehl.

Warum besteht eine Inkonsistenz zwischen der Form des Eingabeknotens im Diagramm und den als Eingabe für diesen Knoten verwendeten numpigen Daten?

Danke, Paddy

Answer 1

Dies wird ein wenig in der Beschreibung von "Argumente" für Function.forward erklärt. Eine andere Beschreibung ist here. Der Grund für Ihre Verwirrung ist wahrscheinlich, dass CNTK einige "hilfreiche" Conversions durchführt.

Wenn Sie Ihre Eingabe als (1,3) angeben, müssen Sie eine Liste von (1,3) Arrays für den Fall eines Minibatch ohne Sequenzachse oder eine Liste von (x, 1,3) Arrays bereitstellen im Falle eines Minibatchs mit einer Sequenzachse (wobei x für jede Sequenz im Minibatch möglicherweise unterschiedlich ist). Wenn Sie eine Eingabe als (3,) angeben, müssen Sie entweder eine Liste von (3,) Vektoren oder eine Liste von (x, 3) Vektoren angeben.

Die Verwirrung entsteht wahrscheinlich aus dem Fall, wenn eine Liste nicht zur Verfügung gestellt wird. In diesem Fall iteriert CNTK über die Leitachse des bereitgestellten Tensors und erzeugt eine Liste dieser Elemente, z. Ein (5,1,3) -Tensor wird zu einer Charge von 5 Elementen mit jeweils einer Form von (1,3).