开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

ONNXRuntime问题:输出:源维度和目标维度的数量Y [ShapeInferenceError]不匹配

ONNXRuntime是一个开源的深度学习推理引擎，用于在不同硬件平台上运行训练好的深度学习模型。它支持多种编程语言和框架，并提供了高性能的推理能力。

针对你提到的问题，"输出:源维度和目标维度的数量Y [ShapeInferenceError]不匹配"，这是一个形状推断错误。在深度学习模型推理过程中，输入和输出的张量形状需要满足一定的规则，以确保计算的正确性。当源维度和目标维度的数量不匹配时，就会出现这个错误。

解决这个问题的方法是检查模型的输入和输出张量的形状定义是否正确，并确保它们在推理过程中保持一致。可以通过以下步骤来解决这个问题：

检查模型的输入和输出张量的形状定义。可以使用ONNXRuntime提供的工具或者其他工具来查看模型的结构和形状信息。
确保输入张量的形状与模型期望的形状一致。可以通过查看模型的文档或者使用ONNXRuntime提供的API来获取输入张量的形状信息。
检查模型的输出张量的形状是否与期望的形状一致。如果不一致，可以尝试调整模型的输入数据或者重新训练模型，以确保输出张量的形状与期望的形状一致。
如果以上步骤都没有解决问题，可以尝试使用ONNXRuntime提供的调试工具来进一步分析和解决问题。ONNXRuntime提供了一些用于调试的API和工具，可以帮助定位和解决形状推断错误。

推荐的腾讯云相关产品：腾讯云AI推理（Tencent Cloud AI Inference），该产品提供了高性能的深度学习推理服务，支持ONNX模型的部署和推理。您可以通过以下链接了解更多信息：https://cloud.tencent.com/product/tcainference

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

深度探索ONNX模型部署

这篇文章从多个角度探索了ONNX，从ONNX的导出到ONNX和Caffe的对比，以及使用ONNX遭遇的困难以及一些解决办法，另外还介绍了ONNXRuntime以及如何基于ONNXRuntime来调试ONNX模型等，后续也会继续结合ONNX做一些探索性工作。

02

【22】进大厂必须掌握的面试题-30个Informatica面试

在大数据时代，任何公司的成功都取决于数据驱动的决策和业务流程。在这种情况下，数据集成对于任何业务的成功秘诀都是至关重要的，并且掌握诸如Informatica Powercenter 9.X之类的端到端敏捷数据集成平台必将使您走上职业发展的快速通道。使用Informatica PowerCenter Designer进行ETL和数据挖掘的职业是前所未有的最佳时机。

04

腾讯发布推理框架TNN全平台版本，同时支持移动端、桌面端和服务端

TNN是腾讯开源的新一代跨平台深度学习推理框架，也是腾讯深度学习与加速Oteam云帆的开源协同成果，由腾讯优图实验室主导，腾讯光影研究室、腾讯云架构平台部、腾讯数据平台部等团队一起协同开发。在经过4个多个月的迭代完善后，TNN新版本v0.3版本正式发布，是首个同时支持移动端、桌面端、服务端的全平台开源版本。TNN新版本在通用性、易用性、性能方面进一步获得提升。 TNN地址： https://github.com/Tencent/TNN 01 通用性在保证模型统一、接口统一的前提下，依托于硬件厂商提供的加

03

Python3实现两个Excel文件内容

最近在工作中，需要人工比对大量的excel格式报表，刚好刚学了Pyhon入门基础知识，想着写个东西练练手，不但能提高代码编写能力，还能减轻工作量，提高工作效率。说干就干，简单的理了逻辑。首先，将目标表和源表的内容分别写入到字典中，Excel表中不确定有没有字段是唯一值，所以选择了行号作为key值，一行的内容放到list中，然后从源表中取一行去目标表中遍历。想好之后开始敲代码了，在代码编写过程中遇到很多的问题，都是遇到一个查一个。基本的比对功能实现后，就想着在加个日志记录下比对结果。写下此文记录下，just do it. 下面是全部代码

02

腾讯发布推理框架TNN全平台版本，同时支持移动端、桌面端和服务端

TNN是腾讯开源的新一代跨平台深度学习推理框架，也是腾讯深度学习与加速Oteam云帆的开源协同成果，由腾讯优图实验室主导，腾讯光影研究室、腾讯云架构平台部、腾讯数据平台部等团队一起协同开发。在经过4个多个月的迭代完善后，TNN新版本v0.3版本正式发布，是首个同时支持移动端、桌面端、服务端的全平台开源版本。TNN新版本在通用性、易用性、性能方面进一步获得提升。

01

Sequence to Sequence Learning with Neural Networks论文阅读

作者（三位Google大佬）一开始提出DNN的缺点，DNN不能用于将序列映射到序列。此论文以机器翻译为例，核心模型是长短期记忆神经网络（LSTM），首先通过一个多层的LSTM将输入的语言序列（下文简称源序列）转化为特定维度的向量，然后另一个深层LSTM将此向量解码成相应的另一语言序列（下文简称目标序列）。我个人理解是，假设要将中文翻译成法语，那么首先将中文作为输入，编码成英语，然后再将英语解码成法语。这种模型与基于短语的统计机器翻译(Static Machine Translation, SMT)相比，在BLUE(Bilingual Evaluation Understudy)算法的评估下有着更好的性能表现。同时，作者发现，逆转输入序列能显著提升LSTM的性能表现，因为这样做能在源序列和目标序列之间引入许多短期依赖，使得优化更加容易

02

NLP硬核入门-Seq2Seq和Attention机制

本文需要的前序知识储备是：循环神经网络RNN，词向量WordEmbedding，门控单元VanillaRNN/GRU/LSTM。

01

CVPR 提前看：视觉常识的最新研究进展

1、What it Thinks is Important is Important: Robustness Transfers through Input Gradients

01

基于内容的图像检索技术：从特征到检索

构建词库是离线操作，主要对目标数据集中的文本进行解析提取词干信息，建立当前数据集的词库，然后基于词库，对数据集中所有文档提取本文特征。构建词库在整个检索系统生命周期开始阶段实施，一般情况仅执行一次，是针对目标检索文本数据集进行的非频繁性操作。

01

onnx2pytorch和onnx-simplifier新版介绍

【GiantPandaCV导语】本文是ONNX2Pytorch思路分享以及onnx-simplifier新版简要介绍。ONNX2Pytorch工具已经测试了onnx model zoo中的大量分类模型并转换正确，欢迎使用，github地址：https://github.com/BBuf/onnx2nn。GiantPandaCV几个月前遭受恶意举报，今天终于解除封印了。感谢众多粉丝们的长期等待和支持，我们会在此继续分享学习经验。

01

计算机视觉"新"范式: Transformer | NLP和CV能用同一种范式来表达吗？

自从Transformer出来以后，Transformer便开始在NLP领域一统江湖。

03

Sequence to Sequence Learning with Neural Networks

参考译文：https://blog.csdn.net/qq_28385535/article/details/86421359

04

百分点认知智能实验室出品：机器翻译是如何炼成的（下）

在“机器翻译是如何炼成的（上）”的文章中，我们回顾了机器翻译的发展史。在本篇文章中，我们将分享机器翻译系统的理论算法和技术实践，讲解神经机器翻译具体是如何炼成的。读完本文，您将了解：

01

Neural Machine Translation 论文阅读

这是2015年发表在ICLR上的论文，也是NLP中Attention机制的开山之作，Attention机制是为了解决一般的RNN Encoder-Decoder对长句子表现不佳的问题而设计的。从论文题目中我们可以看到，作者希望通过Attention机制将输入句子input和输出句子output进行"对齐"（SMT中也有所谓的词对齐模型）。但是，由于不同语言的句法语法结构千差万别，想将源句子与翻译句子严格的对齐是很困难的，所以这里的对齐实际上是软对齐（soft-alignment），也就是不必将源句子显式分割，因而又被形象地称为注意力机制（Attention Mechanism）

01

NLP硬核入门-PointerNet和CopyNet

PointerNet和CopyNet是同一类网络模型，只是在不同的论文里叫法不同，后文统一用PtrNet来表示。

02

英伟达few-shot图像转换

1 摘要无监督的图像到图像转换方法学习任务是：将给定类别的图像映射/转换到不同类别的“类似”图像。尽管当前方法取得了巨大成功，但需要在训练时获取源类和目标类中的许多图像；这极大地限制了它们的使用。

01

一文读懂基于神经网络的图片风格转移

将A图片的风格转移到B图片上，指的是将A图片的抽象艺术风格（如线条、色彩等等）和B图片的内容框架合成为一幅图。自然地，A图片称为风格图，而B图片就称为内容图。就像这样：

03

学界 | 普适注意力：用于机器翻译的2D卷积神经网络，显著优于编码器-解码器架构

深度神经网络对自然语言处理技术造成了深远的影响，尤其是机器翻译（Blunsom, 2013; Sutskever et al., 2014; Cho et al., 2014; Jean et al., 2015; LeCun et al., 2015）。可以将机器翻译视为序列到序列的预测问题，在这类问题中，源序列和目标序列的长度不同且可变。目前的最佳方法基于编码器-解码器架构（Blunsom, 2013; Sutskever et al., 2014; Cho et al., 2014; Bahdanau et al., 2015）。编码器「读取」长度可变的源序列，并将其映射到向量表征中去。解码器以该向量为输入，将其「写入」目标序列，并在每一步用生成的最新的单词更新其状态。基本的编码器-解码器模型一般都配有注意力模型（Bahdanau et al., 2015），这样就可以在解码过程中重复访问源序列。在给定解码器当前状态的情况下，可以计算出源序列中的元素的概率分布，然后使用计算得到的概率分布将这些元素的特征选择或聚合在解码器使用的单个「上下文」向量中。与依赖源序列的全局表征不同，注意力机制（attention mechanism）允许解码器「回顾」源序列，并专注于突出位置。除了归纳偏置外，注意力机制还绕过了现在大部分架构都有的梯度消失问题。

02

如何用 Keras 为序列预测问题开发复杂的编解码循环神经网络?

本文介绍了如何利用Keras框架开发基于序列数据的循环神经网络模型，并给出了一个序列到序列预测问题的实例。首先介绍了如何定义一个简单的编码器-解码器模型，然后利用Keras的Sequential模型定义了一个基于LSTM的编码器-解码器模型，最后利用Keras的Dataset API从数据集中加载数据并划分训练集和测试集。在划分数据集之后，使用Keras的Sequential模型定义了一个基于LSTM的编码器-解码器模型，并使用Keras的Keras Tuner对模型进行超参数调优。最后，使用Keras的Keras Tuner对模型进行超参数调优，并使用测试集对模型进行评估。实验结果表明，该模型在序列到序列预测问题上的性能优于传统的循环神经网络模型。

00

ONNX 开始

此为修改模型的。如果要修改某节点的，见参考 onnx_cut.py 的 _onnx_specify_shapes()。

02

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭