Python 必须为占位符张量'；占位符2'；带有双精度和形状的数据类型[25,25]

我正在尝试构造自己的ELM，需要获取python类对象中初始化的Beta权重。然而，我尝试了在tensor guide或internet上找到的几乎所有东西，但我想这是一个愚蠢的代码结构错误

我的代码如下所示

def __init__(self,input_nodes,hidden_nodes,output_nodes):
 ....
  self.__beta = tf.zeros((Hidden_nodes,Output_nodes),dtype=tf.dtypes.float64,name=None)

def seq_train_graph(self):
   ....
  UPDATE = tf.matmul(tf.matmul(K_inverse, HT), inverse_acti_y - tf.matmul(H, self.__beta))
  An = self.__beta + UPDATE
  self.__beta = An

def retrieve_beta(self):
    return self.__sess.run(self.__beta )

根据这个类的代码。retrieve_beta函数用于获取网络的beta权重值。 当我运行代码时，我得到以下错误

InvalidArgumentError: You must feed a value for placeholder tensor 'Placeholder_2' with dtype double and shape [25,25]
     [[node Placeholder_2 (defined at <ipython-input-17-8874f24bd69c>:18) ]]

但是没有运气。犯错误

TypeError: The value of a feed cannot be a tf.Tensor object. Acceptable feed values include Python scalars, strings, lists, numpy ndarrays, or TensorHandles. For reference, the tensor object was Tensor("add_248:0", shape=(25, 100), dtype=float64) which was passed to the feed with key Tensor("Placeholder_5:0", shape=(25, 100), dtype=float64).

我相信它应该得到一个nd数组，而不是张量对象。但在我的例子中，就我所见，beta权重仅由An（self.\uu beta=An）的值初始化。或者如果我遗漏了什么，请帮我解决

---

谢谢

您需要用

tf.Variable

而不是

tf.placeholder

初始化beta版
下面的代码为您提供了ELM的自定义实现的详细信息

import tensorflow as tf
import numpy as np

# CHECK : Constants
omega = 1.

class ELM(object):
  def __init__(self, sess, batch_size, input_len, hidden_num, output_len):
    '''
    Args:
      sess : TensorFlow session.
      batch_size : The batch size (N)
      input_len : The length of input. (L)
      hidden_num : The number of hidden node. (K)
      output_len : The length of output. (O)
    '''

    self._sess = sess 
    self._batch_size = batch_size
    self._input_len = input_len
    self._hidden_num = hidden_num
    self._output_len = output_len 

    # for train
    self._x0 = tf.placeholder(tf.float32, [self._batch_size, self._input_len])
    self._t0 = tf.placeholder(tf.float32, [self._batch_size, self._output_len])

    # for test
    self._x1 = tf.placeholder(tf.float32, [None, self._input_len])
    self._t1 = tf.placeholder(tf.float32, [None, self._output_len])

    self._W = tf.Variable(
      tf.random_normal([self._input_len, self._hidden_num]),
      trainable=False, dtype=tf.float32)
    self._b = tf.Variable(
      tf.random_normal([self._hidden_num]),
      trainable=False, dtype=tf.float32)
    self._beta = tf.Variable(
      tf.zeros([self._hidden_num, self._output_len]),
      trainable=False, dtype=tf.float32)
    self._var_list = [self._W, self._b, self._beta]

    self.H0 = tf.matmul(self._x0, self._W) + self._b # N x L
    self.H0_T = tf.transpose(self.H0)

    self.H1 = tf.matmul(self._x1, self._W) + self._b # N x L
    self.H1_T = tf.transpose(self.H1)

    # beta analytic solution : self._beta_s (K x O)
    if self._input_len < self._hidden_num: # L < K
      identity = tf.constant(np.identity(self._hidden_num), dtype=tf.float32)
      self._beta_s = tf.matmul(tf.matmul(tf.matrix_inverse(
        tf.matmul(self.H0_T, self.H0) + identity/omega), 
        self.H0_T), self._t0)
      # _beta_s = (H_T*H + I/om)^(-1)*H_T*T
    else:
      identity = tf.constant(np.identity(self._batch_size), dtype=tf.float32)
      self._beta_s = tf.matmul(tf.matmul(self.H0_T, tf.matrix_inverse(
        tf.matmul(self.H0, self.H0_T)+identity/omega)), self._t0)
      # _beta_s = H_T*(H*H_T + I/om)^(-1)*T

    self._assign_beta = self._beta.assign(self._beta_s)
    self._fx0 = tf.matmul(self.H0, self._beta)
    self._fx1 = tf.matmul(self.H1, self._beta)

    self._cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits = self._fx0, labels=self._t0))

    self._init = False
    self._feed = False

    # for the mnist test
    self._correct_prediction = tf.equal(tf.argmax(self._fx1,1), tf.argmax(self._t1,1))
    self._accuracy = tf.reduce_mean(tf.cast(self._correct_prediction, tf.float32))

  def feed(self, x, t):
    '''
    Args :
      x : input array (N x L)
      t : label array (N x O)
    '''

    if not self._init : self.init()
    self._sess.run(self._assign_beta, {self._x0:x, self._t0:t})
    self._feed = True

  def init(self):
    self._sess.run(tf.initialize_variables(self._var_list))
    self._init = True

  def test(self, x, t=None):
    if not self._feed : exit("Not feed-forward trained")
    if t is not None :
      print("Accuracy: {:.9f}".format(self._sess.run(self._accuracy, {self._x1:x, self._t1:t})))
    else :
      return self._sess.run(self._fx1, {self._x1:x})  

将tensorflow导入为tf
将numpy作为np导入
#检查：常数
ω=1。
类ELM（对象）：
定义初始值（self、sess、批大小、输入长度、隐藏长度、输出长度）：
'''
Args：
sess：TensorFlow会话。
批次大小：批次大小（N）
输入长度：输入的长度。（L）
hidden_num：隐藏节点的数目。（K）
输出长度：输出的长度。（O）
'''
self.\u sess=sess
self.\u批次大小=批次大小
self.\u input\u len=input\u len
self.\u hidden\u num=hidden\u num
self.\u output\u len=output\u len
#火车
self.\u x0=tf.占位符（tf.float32，[self.\u批量大小，self.\u输入长度]）
self.\u t0=tf.占位符（tf.float32，[self.\u批量大小，self.\u输出长度]）
#测试
self.\u x1=tf.占位符（tf.float32，[None，self.\u input\u len]）
self.\u t1=tf.placeholder（tf.float32，[None，self.\u output\u len]）
self.\u W=tf.变量(
tf.随机正常（[self.\u input\u len，self.\u hidden\u num]），
可培训=错误，数据类型=tf.float32）
self._b=tf.变量(
tf.random_normal（[self.\u hidden_num]），
可培训=错误，数据类型=tf.float32）
self._beta=tf.变量(
tf.零（[self.\u hidden\u num，self.\u output\u len]），
可培训=错误，数据类型=tf.float32）
self.\u var\u list=[self.\u W，self.\u b，self.\u beta]
self.H0=tf.matmul（self.x0，self.W）+self.b#nxl
self.H0_T=tf.transpose（self.H0）
self.H1=tf.matmul（self._x1，self._W）+self._b#N x L
self.H1\u T=tf.transpose（self.H1）
#贝塔解析解：self.\u beta\u s（K x O）
如果self._input_len

---

希望这能回答你的问题，学习愉快

您需要使用

tf.Variable

而不是

tf.placeholder

来初始化beta版
下面的代码为您提供了ELM的自定义实现的详细信息

import tensorflow as tf
import numpy as np

# CHECK : Constants
omega = 1.

class ELM(object):
  def __init__(self, sess, batch_size, input_len, hidden_num, output_len):
    '''
    Args:
      sess : TensorFlow session.
      batch_size : The batch size (N)
      input_len : The length of input. (L)
      hidden_num : The number of hidden node. (K)
      output_len : The length of output. (O)
    '''

    self._sess = sess 
    self._batch_size = batch_size
    self._input_len = input_len
    self._hidden_num = hidden_num
    self._output_len = output_len 

    # for train
    self._x0 = tf.placeholder(tf.float32, [self._batch_size, self._input_len])
    self._t0 = tf.placeholder(tf.float32, [self._batch_size, self._output_len])

    # for test
    self._x1 = tf.placeholder(tf.float32, [None, self._input_len])
    self._t1 = tf.placeholder(tf.float32, [None, self._output_len])

    self._W = tf.Variable(
      tf.random_normal([self._input_len, self._hidden_num]),
      trainable=False, dtype=tf.float32)
    self._b = tf.Variable(
      tf.random_normal([self._hidden_num]),
      trainable=False, dtype=tf.float32)
    self._beta = tf.Variable(
      tf.zeros([self._hidden_num, self._output_len]),
      trainable=False, dtype=tf.float32)
    self._var_list = [self._W, self._b, self._beta]

    self.H0 = tf.matmul(self._x0, self._W) + self._b # N x L
    self.H0_T = tf.transpose(self.H0)

    self.H1 = tf.matmul(self._x1, self._W) + self._b # N x L
    self.H1_T = tf.transpose(self.H1)

    # beta analytic solution : self._beta_s (K x O)
    if self._input_len < self._hidden_num: # L < K
      identity = tf.constant(np.identity(self._hidden_num), dtype=tf.float32)
      self._beta_s = tf.matmul(tf.matmul(tf.matrix_inverse(
        tf.matmul(self.H0_T, self.H0) + identity/omega), 
        self.H0_T), self._t0)
      # _beta_s = (H_T*H + I/om)^(-1)*H_T*T
    else:
      identity = tf.constant(np.identity(self._batch_size), dtype=tf.float32)
      self._beta_s = tf.matmul(tf.matmul(self.H0_T, tf.matrix_inverse(
        tf.matmul(self.H0, self.H0_T)+identity/omega)), self._t0)
      # _beta_s = H_T*(H*H_T + I/om)^(-1)*T

    self._assign_beta = self._beta.assign(self._beta_s)
    self._fx0 = tf.matmul(self.H0, self._beta)
    self._fx1 = tf.matmul(self.H1, self._beta)

    self._cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits = self._fx0, labels=self._t0))

    self._init = False
    self._feed = False

    # for the mnist test
    self._correct_prediction = tf.equal(tf.argmax(self._fx1,1), tf.argmax(self._t1,1))
    self._accuracy = tf.reduce_mean(tf.cast(self._correct_prediction, tf.float32))

  def feed(self, x, t):
    '''
    Args :
      x : input array (N x L)
      t : label array (N x O)
    '''

    if not self._init : self.init()
    self._sess.run(self._assign_beta, {self._x0:x, self._t0:t})
    self._feed = True

  def init(self):
    self._sess.run(tf.initialize_variables(self._var_list))
    self._init = True

  def test(self, x, t=None):
    if not self._feed : exit("Not feed-forward trained")
    if t is not None :
      print("Accuracy: {:.9f}".format(self._sess.run(self._accuracy, {self._x1:x, self._t1:t})))
    else :
      return self._sess.run(self._fx1, {self._x1:x})  

将tensorflow导入为tf
将numpy作为np导入
#检查：常数
ω=1。
类ELM（对象）：
定义初始值（self、sess、批大小、输入长度、隐藏长度、输出长度）：
'''
Args：
sess：TensorFlow会话。
批次大小：批次大小（N）
输入长度：输入的长度。（L）
hidden_num：隐藏节点的数目。（K）
输出长度：输出的长度。（O）
'''
self.\u sess=sess
self.\u批次大小=批次大小
self.\u input\u len=input\u len
self.\u hidden\u num=hidden\u num
self.\u output\u len=output\u len
#火车
self.\u x0=tf.占位符（tf.float32，[self.\u批量大小，self.\u输入长度]）
self.\u t0=tf.占位符（tf.float32，[self.\u批量大小，self.\u输出长度]）
#测试
self.\u x1=tf.占位符（tf.float32，[None，self.\u input\u len]）
self.\u t1=tf.placeholder（tf.float32，[None，self.\u output\u len]）
self.\u W=tf.变量(
tf.随机正常（[self.\u input\u len，self.\u hidden\u num]），
可培训=错误，数据类型=tf.float32）
self._b=tf.变量(
tf.random_normal（[self.\u hidden_num]），
可培训=错误，数据类型=tf.float32）
self._beta=tf.变量(
tf.零（[self.\u hidden\u num，self.\u output\u len]），
可培训=错误，数据类型=tf.float32）
self.\u var\u list=[self.\u W，self.\u b，self.\u beta]
self.H0=tf.matmul（self.x0，self.W）+self.b#nxl
self.H0_T=tf.transpose（self.H0）
self.H1=tf.matmul（self。