张量流中的InvalidArgumentError（softmax mnist）

Question

当我尝试使用张量流完成softmax回归时，出现了以下一些问题：

tensorflow.python.framework.errors_impl.InvalidArgumentError：
您必须使用dtype float [[Node：Placeholder_1 = Placeholderdtype = DT_FLOAT，shape = []，_device =“ / job：localhost / replica：0 / task：0 / cpu：0”]为占位符张量'Placeholder_1'提供一个值。 ]

通过上面的描述，我知道问题是参数类型错误。 但是在我的代码中，我的数据类型与占位符相同。

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

m = input_data.read_data_sets("MNIST_data/", one_hot=True)
sess = tf.InteractiveSession()

x = tf.placeholder(tf.float32, [None, 784])
w = tf.Variable(tf.zeros([784, 10]))
b = tf.Variable(tf.zeros([10]))

y = tf.nn.softmax(tf.matmul(x, w)+b)
y_ = tf.placeholder(tf.float32, [None, 10])

cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(y), reduction_indices=[1]))
train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)
tf.global_variables_initializer()

for i in range(1000):
    batch_xs, batch_ys = m.train.next_batch(100)
    train_step.run({x: batch_xs, y: batch_ys})

correct_prediction = tf.equal(tf.arg_max(y, 1), tf.arg_max(y_, 1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
print(accuracy.eval({x: m.test.images, y: m.test.labels}))

我认为问题是由batch_xs（float32）和batch_ys（float32）的类型引起的。

关于如何解决这个问题有什么建议吗？

Answer 1

该问题是由你传递造成的事实y代替y_到的feed_dict accuracy.eval电话。

这样，您将覆盖y的值，并且不使用占位符y_ 。

只需将行更改为

print(accuracy.eval({x: m.test.images, y_: m.test.labels}))