tensorflow手写识别，在进行测试时，循环最后一次batch数发生变化导致报错，如何解决？

Question

我在自己学习写人工神经网络的结构，代码放在最后面。

但是运行出来的结果报错，显示：

ValueError: cannot reshape array of size 784 into shape (32,1,newaxis)

另外就是，我试着在感觉有问题的地方，控制台输出检查了一下，发现测试部分的循环到了最后一次，会把batch数量减半，我找不到原因。x_train和 x_test使用的卷积处理函数都是相同的，输入的数据格式也是相同的。

x测试 (32, 28, 28)
x测试 (32, 28, 28)
x测试 (32, 28, 28)
x测试 (16, 28, 28)

最后还有两个小问题，一个是目前前面训练的过程，我感觉误差极大，可能是目前模型太简单只有一层的缘故，我想问一下有什么方法可以提高训练的效率吗，是不是增多神经元层数就会好些？
另一个问题是，我为了符合tf.nn.conv2d()函数的输入格式，采用了tf.squeeze()来处理张量维度的方法是否正确，会不会对输入的数据造成影响？

def output(input, get1, get2, batch):
    x = tf.expand_dims(input, 3)
    output = tf.nn.conv2d(x, get1, strides=[1, 2, 2, 1], padding='SAME')
    output = tf.nn.conv2d(output, get2, strides=[1, 2, 2, 1], padding='SAME')
    output = tf.squeeze(output, 3)
    output = np.reshape(output, (batch, 1, -1))  # 处理和输出的数据，（组数，1，-1）表示一行与n列
    output = tf.cast(output, tf.float64)
    # print(output)
    return output

程序的代码

import os
from sklearn import datasets
from matplotlib import pyplot as plt

os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
import tensorflow as tf
from keras import models
import numpy as np

mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0

x_train = tf.cast(x_train, tf.float64)
y_train = tf.cast(y_train, tf.int32)

x_test = tf.cast(x_test, tf.float64)
y_test = tf.cast(y_test, tf.int32)

train_db = tf.data.Dataset.from_tensor_slices((x_train, y_train)).batch(32)
test_db = tf.data.Dataset.from_tensor_slices((x_test, y_test)).batch(32)

# 特征类型
get_1 = tf.constant(value=np.ones((3, 3), dtype=np.float64), shape=(3, 3, 1, 1))
get_2 = tf.constant(value=np.eye(3, dtype=np.float64), shape=(3, 3, 1, 1))
# 迭代次数
epoch = 50
# 学习率
lr = 0.1
# 每轮分成4个step，loss_all由于存放每轮4个loss的和
loss_all = 0
# 记录每一轮的损失函数于列表
train_loss_results = []
# 记录测试时候的准确率于列表
test_acc = []
# 第一层权重、偏置，并且设置可以更新
w1 = tf.Variable(tf.random.truncated_normal([49, 10], stddev=0.1, seed=1, dtype=np.float64))
b1 = tf.Variable(tf.random.truncated_normal([10], stddev=0.1, seed=1, dtype=np.float64))


# 特征输出函数
def output(input, get1, get2, batch):
    x = tf.expand_dims(input, 3)
    output = tf.nn.conv2d(x, get1, strides=[1, 2, 2, 1], padding='SAME')
    output = tf.nn.conv2d(output, get2, strides=[1, 2, 2, 1], padding='SAME')
    output = tf.squeeze(output, 3)
    output = np.reshape(output, (batch, 1, -1))  # 处理和输出的数据，（组数，1，-1）表示一行与n列
    output = tf.cast(output, tf.float64)
    # print(output)
    return output


print(x_train.shape)
print(x_test.shape)
# 训练阶段
print('训练开始')
for epoch in range(epoch):
    for step1, (x_train, y_train) in enumerate(train_db):
        print('x训练', x_train.shape)
        # print(step, x_train.shape, y_train.shape)
        # print('.......分割线........')
        # print(output(x_train, get_1, get_2, 32).shape)
        # print('.......分割线........')
        # print((tf.matmul(output(x_train, get_1, get_2, 32), w1) + b1).shape)
        with tf.GradientTape() as tape:
            x = output(x_train, get_1, get_2, 32)
            y = tf.matmul(x, w1) + b1
            y = tf.nn.softmax(y)
            y_ = tf.one_hot(y_train, depth=10)
            y_ = tf.cast(y_, tf.float64)
            # 计算神经网络误差
            loss = tf.reduce_mean(tf.square(y_ - y))
            loss_all += loss.numpy()
        grads = tape.gradient(loss, [w1, b1])  # 求loss关于【w1，b1】的导数，也就是梯度
        # 实现w1、b1的自更新，更新公式为w1 = w1 - lr * w1_gard
        w1.assign_sub(lr * grads[0])
        b1.assign_sub(lr * grads[1])
    print("Epoch {},lodd: {}".format(epoch, loss_all / 4))  # 打印每个epoch的平均误差
    train_loss_results.append(loss_all / 4)  # 添加入list中，方便绘制曲线
    loss_all = 0
    total_correct, total_number = 0, 0
    for x_test, y_test in test_db:  # 测试
        print('x测试',x_test.shape)
        x = output(x_test, get_1, get_2, 32)
        y = tf.matmul(x, w1) + b1
        y = tf.nn.softmax(y)  # 转化为预测概率矩阵
        # print(y.shape)
        y = tf.squeeze(y, 1)
        # print(y.shape)
        pred = tf.argmax(y, axis=1)
        # print(pred.shape)
        pred = tf.cast(pred, dtype=y_test.dtype)
        correct = tf.cast(tf.equal(pred, y_test), dtype=tf.int32)
        correct = tf.reduce_sum(correct)
        total_correct += int(correct)
        total_number += x_test.shape[0]
    acc = total_correct / total_number
    test_acc.append(acc)
    print("Test_acc", acc)
    print("............................")

# 绘制损失曲线
plt.title('Loss Curve')
plt.xlabel('Epoch')
plt.ylabel('Loss')
plt.plot(train_loss_results, label='$Loss$')
plt.legend()
plt.show()
# 绘制准确率曲线
plt.title('Acc Curve')
plt.xlabel('Epoch')
plt.ylabel('Acc')
plt.plot(train_loss_results, label='$Accuracy$')
plt.legend()
plt.show()

Answer 1

batch代表的是每次从训练集取的样本数，你的训练集样本应该最后一次只剩下16个了。