Python TensorFlow中的类型转换错误

假设我在一些训练数据上实现一个线性层

下面的代码

import tensorflow as tf
import numpy as np

weights = tf.Variable(np.random.uniform(0.0, 1.0, 3))
bias = tf.Variable(0.0)
trainingData = np.array(np.arange(15).astype(float).reshape(3,5))
output = tf.expand_dims(weights, 0) @ trainingData + bias

产生

这可以通过将最后一行改为

tf.cast(tf.expand_dims(weights, 0) @ trainingData, tf.float32) + bias

好的，所以它不喜欢将

float32\u ref

添加到

float64，

但是将

float32\u ref

添加到

float32也没关系。

但是我一定是做错了什么，因为我做的事情非常简单，而且它抛出了一个错误。（我是TensorFlow的新手。）我理解它为什么不喜欢我写的东西，但我犯了什么基本错误导致了这个问题

我在寻找一个答案，比如“哦，你永远不应该用0.0这样的浮点来初始化bias，因为……”这将导致更普遍的类型转换错误

哦，除非有很好的理由，否则永远不要使用

tf.Variable

。您应该使用

tf.get_variable

来避免

哦，除非有充分的理由，否则永远不要使用float64作为数据类型。NumPy使用float64作为默认值，因此您应该编写如下代码

W = tf.get_variable("w", initializer=np.random.randn().astype(np.float32))

---

所以不要使用float64，因为这样的事情会发生吗？还有其他不使用float64的原因吗？看看单精度与双精度的tera触发器。也看到这个。