Python 3.x 对于给定的数据集，我无法编译和匹配占位符。这会导致一个错误

我被要求为给定的数据集生成CNN输出。 错误是

ValueError:无法为具有形状“（？，60，11，1）”的张量“占位符_4:0”输入形状（16，10）的值

数据集包括在下面

Att1    Att2    Att3    Att4    Att5    Att6    Att7    Att8    Att9    Att10   Att11
1   0   1   0.9471  C   0   S   0.8561  0.002   0.004   1.8091
1   0   1   0.992   C   0   S   0.8648  0.002   0.003   1.861
1   0   1   1.0722  C   0   S   2.009   0.002   0.003   3.0876
1   0   1   0.994   C   0   S   0.8754  0.002   0.003   1.8744
1   0   1   1.0121  C   0   S   0.9275  0.002   0.003   1.9447
1   0   1   0.9825  C   0   S   0.9579  0.002   0.003   1.9455
1   0   1   0.7372  C   0   S   0.8699  0.002   0.003   1.6122
1   0   1   0.9533  C   0   S   0.8377  0.002   0.004   1.797
1   0   1   0.9813  C   0   S   0.8647  0.002   0.003   1.8511
1   0   1   0.9693  C   0   S   0.8664  0.001   0.003   1.8402
1   0.0005  1   0.9652  C   0   S   0.8625  0.002   0.003   1.8317
1   0   1   1.0564  C   0   S   0.8796  0.002   0.003   1.941
1   0   1   0.9562  C   0   S   0.8503  0.002   0.003   1.8115
1   0   1   0.9581  C   0   S   0.8491  0.002   0.003   1.8113
1   0   1   0.9919  C   0   S   0.9162  0.0015  0.025   1.9121
1   0   1   0.9443  C   0   S   0.8479  0.002   0.003   1.7973
1   0   1   0.7454  C   0   S   0.8722  0.002   0.003   1.6225
1   0   1   0.9979  C   0   S   1.0774  0.002   0.003   2.0803
1   0   1   0.7275  C   0   S   0.9696  0.0014  0.0025  1.7012
1   0   1   1.089   C   0   S   1.9643  0.0015  0.0025  3.0573
2   0.0005  1   0.9699  C   0   S   0   0.002   0.004   1.8268
2   0   1   0.7045  C   0   S   0   0.0015  0.0029  1.5466
2   0   1   0.9584  C   0   S   0   0.002   0.00298 1.8052
22  0   1   0.744   C   0   S   0   0.0015  0.0025  1.598
2   0   1   0.744   C   0   S   0   0.0015  0.0025  1.598
2   0   1   0.7379  C   0   S   0   0.0019  0.003   1.5926
2   0   1   0.756   C   0   S   0   0.0019  0.003   1.6523
2   0   1   0.737   C   0   S   0   0.002   0.0029  1.7028
2   0   1   0.707   C   0   S   0   0.0015  0.0025  4.249
2   0   1   0.7127  C   0   S   0   0.001   0.003   1.5867
2   0   1   0.7177  C   0   S   0   0.002   0.003   1.5921
2   0   1   0.7299  C   0   S   0   0.002   0.003   1.5706
2   0   1   0.7549  C   0   S   0   0.0014  0.003   1.5835
2   0   1   0.6954  C   0   S   0   0.0019  0.003   1.5239
2   0   1   0.7131  C   0   S   0   0.0019  0.003   1.5401
2   0   1   0.712   C   0   S   0   0.0014  0.0025  1.525
2   0   1   0.7074  C   0   S   0   0.002   0.003   1.5304
2   0   1   0.7382  C   0   S   0   0.002   0.0029  1.5704
2   0   1   0.7052  C   0   S   0   0.0019  0.003   1.5693
2   0   1   0.7178  C   0   S   0   0.002   0.003   1.5438
3   0   1   0.9599  C   0   S   1.2939  0.0015  0.003   2.2583
3   0   1   0.957   C   0   S   0   0.0019  0.003   0.9619
3   0   1   1.0089  C   0   S   0.9696  0.0015  0.0025  1.9825
3   0   1   0.7337  C   0   S   0.99    0.002   0.003   1.7287
3   0   1   0.7238  C   0   S   0.9761  0.001   0.003   1.7042
3   0   1   0.9554  C   0   S   0.9685  0.0019  0.003   1.9299
3   0   1   0.7128  C   0   S   0.821   0.002   0.003   1.539
3   0   1   0.7562  C   0   S   1.0262  0.0019  0.003   1.7875
3   0   1   0.7617  C   0   S   0.9947  0.002   0.004   1.7625
3   0   1   0.7543  C   0   S   0.9934  0.002   0.003   1.7527
3   0   1   0.7243  C   0   S   0.9709  0.002   0.003   1.7003
3   0   1   0.7157  C   0   S   1   0.002   0.003   1.7208
3   0   1   0.7075  C   0   S   0.9861  0.0015  0.0025  1.6977
3   0   1   0.7418  C   0   S   0.9477  0.0019  0.003   1.6946
3   0   1   0.701   C   0   S   0.9645  0.0015  0.0025  1.6695
3   0   1   0.7443  C   0   S   1.0016  0.002   0.003   1.751
3   0   1   0.7101  C   0   S   0.9661  0.002   0.003   1.6813
3   0   1   0.706   C   0   S   0.9734  0.002   0.003   1.6845
3   0   1   0.713   C   0   S   0.9791  0.0015  0.0025  1.6962
3   0   1   0.7085  C   0   S   0.9968  0.0015  0.0025  1.7104

我的作业放在下面。最后一部分，即tf.Session（）部分产生了一个名为“无法将字符串转换为浮点：'C'”的错误。任何关于这个错误原因的帮助都会帮助我更好地理解

先谢谢你

将tensorflow导入为tf
作为pd进口熊猫
将numpy作为np导入
将matplotlib.pyplot作为plt导入
从sklearn导入线性_模型
从sklearn.preprocessing导入OneHotEncoder
从sklearn.model\u选择导入列车\u测试\u拆分
导入操作系统
操作系统环境[“CUDA_可见设备”]=“0”
df=pd.read_excel（r“C:/Users/ggmah/Desktop/HMM Data updated.xlsx”）
tf.logging.set_详细性（tf.logging.INFO）
dff=一个热编码器（df）
dfg=pd.get_假人（df）
#df.head（）
#dff
#dfg
o=列表（df.columns.values）
label_dict=dict（）
对于i，枚举中的值（o）：
label_dict[i]=值
#标签
#len（标签）
培训费用=220
学习率=0.002
批量大小=16
n_输入=59
n_类=11
x=tf.占位符（“float”，[None，60,11,1]）
y=tf.placeholder（“float”，[None，n_类]）
def conv2d（x，W，b，步幅=1）：
#Conv2D包装，带有偏置和relu激活
#x：输入变量
#W：重量fn
#b:偏见
x=tf.nn.conv2d（x，W，步幅=[1，步幅，步幅，1]，padding='SAME'）
x=tf.nn.bias_add（x，b）
返回tf.nn.relu（x）
def maxpool2d（x，k=2）：
返回tf.nn.max_pool（x，ksize=[1，k，k，1]，步长=[1，k，k，1]，padding='SAME'）
权重={
“wc1”：tf.get_变量（'W0'，shape=（3,3,1,32），初始值设定项=tf.contrib.layers.xavier_初始值设定项（）），
“wc2”：tf.get_变量（'W1'，shape=（3,3,32,64），初始值设定项=tf.contrib.layers.xavier_初始值设定项（）），
“wc3”：tf.get_变量（'W2'，shape=（3,3,64128），初始值设定项=tf.contrib.layers.xavier_初始值设定项（）），
“wd1”：tf.get_变量（'W3'，shape=（4*4*128128），初始值设定项=tf.contrib.layers.xavier_初始值设定项（）），
'out'：tf.get_变量（'W6'，shape=（128，n_类），初始值设定项=tf.contrib.layers.xavier_初始值设定项（）），
}
偏差={
“bc1”：tf.get_变量（'B0'，shape=（32），初始值设定项=tf.contrib.layers.xavier_初始值设定项（）），
“bc2”：tf.get_变量（'B1'，shape=（64），初始值设定项=tf.contrib.layers.xavier_初始值设定项（）），
“bc3”：tf.get_变量（'B2'，shape=（128），初始值设定项=tf.contrib.layers.xavier_初始值设定项（）），
“bd1”：tf.get_变量（'B3'，shape=（128），初始值设定项=tf.contrib.layers.xavier_初始值设定项（）），
'out'：tf.get_变量（'B4'，shape=（11），初始值设定项=tf.contrib.layers.xavier_初始值设定项（）），
}
#从tensorflow.examples.tutorials.mnist导入输入数据
#数据=输入数据。读取数据集（'data/fashion'，one\u hot=True）
X=dfg[['Att1'、'Att2'、'Att3'、'Att4'，
“附件五”，
“附件6”，
“附件七”，
“附件8”、“附件9”、“附件10”]]
Y=dfg[['Att11']]
列车X、试验列车X、试验列车y、试验列车y=列车试验列车分割（X、y、列车尺寸=0.88，随机状态=5）
def conv_净值（x、重量、偏差）：
#这里我们调用上面定义的conv2d函数，并传递输入图像x、权重wc1和偏差bc1。
conv1=conv2d（x，权重['wc1']，偏差['bc1']）
#最大池（下采样），从2*2矩阵窗口选择最大值并输出14*14矩阵。
conv1=maxpool2d（conv1，k=2）
#卷积层
#这里我们调用上面定义的conv2d函数，并传递输入图像x、权重wc2和偏差bc2。
conv2=conv2d（conv1，权重['wc2']，偏差['bc2']）
#最大池（下采样），从2*2矩阵窗口选择最大值并输出7*7矩阵。
conv2=maxpool2d（conv2，k=2）
conv3=conv2d（conv2，权重['wc3']，偏差['bc3']）
#最大池（下采样），从2*2矩阵窗口选择最大值并输出4*4。
conv3=maxpool2d（conv3，k=2）
#全连通层
#重塑conv2输出以适应完全连接的图层输入
fc1=tf.reforme（conv3，[-1，权重['wd1']）。get_shape（）。as_list（）[0]]）
fc1=tf.add（tf.matmul（fc1，权重['wd1']），偏差['bd1']））
fc1=tf.nn.relu（fc1）
#输出，类预测
#最后，我们将完全连接的层与权重相乘，并添加一个偏差项。
out=tf.add（tf.matmul（fc1，权重['out']），偏差['out']））
返回
pred=转换净值（x、权重、偏差）
成本=tf.reduce\u均值（tf.nn.softmax\u交叉\u熵\u与logits（logits=pred，labels=y））
优化器=tf.train.AdamOptimizer（学习率=学习率）。最小化（成本）
#这里检查预测图像的最大值的索引是否等于实际标记图像。及
#两者都将是列向量。
正确的预测=tf.equal（tf.argmax（pred，1），tf.argmax（y，1））
#计算所有给定图像的精度，并将其平均。
准确度=tf.reduce_平均值（tf.cast（正确的预测，tf.float32））
init=tf.global_variables_initializer（）
使用tf.Session（）作为sess：
sess.run（初始化）
列车损失=[]
测试损耗=[]
列车精度=[]
测试精度=[]
summary_writer=tf.summary.FileWriter（'./Output'，sess.graph）
对于范围内的i（培训）：
对于范围内的批次（len（train\u X）//批次大小）：
批次x=列x[批次*批次尺寸：最小（（批次+1）*批次尺寸，长度（列x））]
批次y=序列y[批次*批次大小：最小（（批次+1）*批次大小，长度（序列y））]
#运行优化操作（backprop）。
#计算批次损失和准确度
opt=sess.run（优化器，feed_dict={x:batch_x，
y：批（y}）
损耗，acc=sess.run（[成本，精度]，进料量={x:batch\u x，
y：批（y}）
打印（“Iter”+str（i）+”，丢失=“+\
X = df[['Att1','Att2','Att3','Att4','Att5','Att6','Att7','Att8','Att9','Att10']]
Y = df[['Att11']]

X = dfg[['Att1','Att2','Att3','Att4',
         'Att5_C', # Note column name change
         'Att6',
         'Att7_S', # Note column name change
         'Att8','Att9','Att10']]

Y = dfg[['Att11']]