Python &引用；类型错误：'；类型'；对象不可下标"；执行sess.run（）时

为了更好地说明我的问题，我在此使用一个非常简单的回归模型（即使通过梯度下降，也要运行1秒）

我想使用一个类

reg\u model（）

来包含我的模型。但是当我在下面的代码中运行时，我得到了一个错误

TypeError:“type”对象是不可下标的

错误来自于sess.run（[reg_model['train_step']，reg_model['mean_square_loss']），feed_dict={x:training_set_输入，yLb:training_set_输出}）。如果我将此代码修改为

sess.run（[train\u step，mean\u square\u loss]，feed\u dict={x:training\u set\u inputs，yLb:training\u set\u outputs}）

，然后删除定义

class reg\u model（）：

，那么我的代码工作得很好

但是我确实想使用

reg\u model（）

来存储模型，这样它本身就可以是一个定义良好的对象。如何修改代码以实现这一点

import tensorflow as tf
import numpy as np

# values of training data
training_set_inputs =np.array([[0,1,2],[0,0,2],[1,1,1],[1,0,1]])
training_set_outputs =np.array([[1],[0],[1],[0]])

learning_rate = 0.5

class reg_model():

# containers and operations
    x = tf.placeholder(tf.float32, [None, 3])
    W = tf.Variable(tf.zeros([3, 1]))
    B = tf.Variable(tf.zeros([1]))

    yHat = tf.nn.sigmoid(tf.matmul(x, W) + B)
    yLb = tf.placeholder(tf.float32, [None, 1])

    mean_square_loss = tf.reduce_mean(tf.square(yLb - yHat)) 

    train_step = tf.train.GradientDescentOptimizer(learning_rate).minimize(mean_square_loss)

# use session to execute graphs
with tf.Session() as sess:
    init=tf.global_variables_initializer()
    sess.run(init)

    # start training
    for i in range(10000):
        sess.run([reg_model['train_step'], reg_model['mean_square_loss']], feed_dict={x: training_set_inputs, yLb: training_set_outputs})

    # do prediction
    x0=np.float32(np.array([[0.,1.,0.]]))   
    y0=tf.nn.sigmoid(tf.matmul(x0,W) + B)

    print('%.15f' % sess.run(y0))

---

您应该使用

reg\u模型、训练步数

和

reg\u模型、均方损失

，而不是

reg\u模型['train\u step']

和

reg\u模型['mean\u square\u loss']