配置中有一些參數(shù)，特別是當(dāng)我更改max_len,hidden_size或embedding_size.config = {    "max_len": 64,    "hidden_size": 64,    "vocab_size": vocab_size,    "embedding_size": 128,    "n_class": 15,    "learning_rate": 1e-3,    "batch_size": 32,    "train_epoch": 20}我收到一個(gè)錯(cuò)誤：“ValueError：無法為張量'Placeholder：0'提供形狀（32、32）的值，其形狀為'（？，64）'”下面的張量流圖是我理解有問題的。有沒有辦法了解什么親戚max_len，hidden_size或embedding_size參數(shù)需要進(jìn)行設(shè)置，以避免我得到上述錯(cuò)誤？        embeddings_var = tf.Variable(tf.random_uniform([self.vocab_size, self.embedding_size], -1.0, 1.0),                                     trainable=True)        batch_embedded = tf.nn.embedding_lookup(embeddings_var, self.x)        # multi-head attention        ma = multihead_attention(queries=batch_embedded, keys=batch_embedded)        # FFN(x) = LN(x + point-wisely NN(x))        outputs = feedforward(ma, [self.hidden_size, self.embedding_size])        outputs = tf.reshape(outputs, [-1, self.max_len * self.embedding_size])        logits = tf.layers.dense(outputs, units=self.n_class)        self.loss = tf.reduce_mean(            tf.nn.sparse_softmax_cross_entropy_with_logits(logits=logits, labels=self.label))        self.prediction = tf.argmax(tf.nn.softmax(logits), 1)        # optimization        loss_to_minimize = self.loss        tvars = tf.trainable_variables()        gradients = tf.gradients(loss_to_minimize, tvars, aggregation_method=tf.AggregationMethod.EXPERIMENTAL_TREE)        grads, global_norm = tf.clip_by_global_norm(gradients, 1.0)        self.global_step = tf.Variable(0, name="global_step", trainable=False)        self.optimizer = tf.train.AdamOptimizer(learning_rate=self.learning_rate)        self.train_op = self.optimizer.apply_gradients(zip(grads, tvars), global_step=self.global_step,                                                       name='train_step')        print("graph built successfully!")