Python 类型错误：'；numpy.float64'；对象不适用于ML模型

我如何避免在突出显示的行上出现错误，它一直在给我关于float64类型不可编辑的错误。本质上，我试图在第一个函数中计算SGD的成本，然后在第二个函数中计算SGD

def calculate_cost_gradient(W, X_batch, Y_batch):
    # if only one example is passed (eg. in case of SGD)
    if type(Y_batch) == np.float64:
        Y_batch = np.array([Y_batch])
        X_batch = np.array([X_batch])  # gives multidimensional array

    distance = 1 - (Y_batch * np.dot(X_batch, W))
    dw = np.zeros(len(W))

######## Error is here ######## 
    for ind, d in enumerate(distance):
        if max(0, d) == 0:
            di = W
        else:
            di = W - (regularization_strength * Y_batch[ind] * X_batch[ind])
        dw += di

    dw = dw/len(Y_batch)  # average
    return dw


def sgd(features, outputs):
    max_epochs = 5000
    weights = np.zeros(features.shape[1])
    nth = 0
    prev_cost = float("inf")
    cost_threshold = 0.01  # in percent
    # stochastic gradient descent
    for epoch in range(1, max_epochs):
        # shuffle to prevent repeating update cycles
        X, Y = shuffle(features, outputs)
        for ind, x in enumerate(X):
            ascent = calculate_cost_gradient(weights, x, Y[ind])
            weights = weights - (learning_rate * ascent)
        # convergence check on 2^nth epoch
        if epoch == 2 ** nth or epoch == max_epochs - 1:
            cost = compute_cost(weights, features, outputs)
            print("Epoch is:{} and Cost is: {}".format(epoch, cost))
            # stoppage criterion
            if abs(prev_cost - cost) < cost_threshold * prev_cost:
                return weights
            prev_cost = cost
            nth += 1
    return weights

def计算成本梯度（W、X、Y批次）：
#如果只通过了一个示例（如SGD）
如果类型（Y_批次）=np.64：
Y\u batch=np.array（[Y\u batch]）
X_batch=np.数组（[X_batch]）#给出多维数组
距离=1-（Y_批次*np.点（X_批次，W））
dw=np.零（len（W））
########错误就在这里
对于ind，枚举中的d（距离）：
如果最大值（0，d）=0：
di=W
其他：
di=W-（正则化强度*Y\u批次[ind]*X\u批次[ind]）
dw+=di
dw=dw/len（Y#U批次）#平均值
返回数据仓库
def sgd（功能、输出）：
最大纪元=5000
权重=np.0（features.shape[1]）
n=0
上一成本=浮动（“inf”）
成本阈值=0.01（百分比）
#随机梯度下降
对于范围内的历元（1，最大历元）：
#洗牌以防止重复更新周期
十、 Y=随机播放（功能、输出）
对于ind，枚举中的x（x）：
上升=计算成本梯度（权重，x，Y[ind]）
权重=权重-（学习率*上升）
#第2^n历元的收敛性检验
如果历元==2**n或历元==max\u历元-1：
成本=计算成本（权重、特征、输出）
打印（“历元为：{}，成本为：{}”。格式（历元，成本））
#停工标准
如果abs（上一成本-成本）<成本阈值*上一成本：
回程重量
上一成本=成本
n+n=1
回程重量

距离很可能是一个整数，代码应该是：

for ind, d in enumerate(range(distance)):