Python ValueError:张量（“指数衰减4:0”，shape=（），dtype=float32）

用于查找语言、印地语或英语类型的分类器

ValueError:Tensor（“指数decay_4:0”，shape=（），dtype=float32）必须与Tensor（dnn/hiddenlayer_0/kernel/part_0:0，shape=（），dtype=resource）来自同一个图形。

来自未来导入绝对导入、除法、打印函数、unicode文本
从absl导入日志
导入tensorflow作为tf
将tensorflow_hub导入为hub
将matplotlib.pyplot作为plt导入
将numpy作为np导入
导入操作系统
作为pd进口熊猫
进口稀土
导入seaborn作为sns
df=pd.read\u csv（“intern\u test/data/english\u text.csv”，encoding=“拉丁语-1”）
df2=pd.read\u csv（“intern\u test/data/hinglish\u text.csv”，encoding=“拉丁语-1”）
df['label']=0#英语
df2['label']=1#印地语
df3=pd.concat（[df，df2]）
df3.head（）
#整个培训集的培训输入，不限制培训时间。
训练输入\u fn=tf.compat.v1.estimator.inputs.pandas\u输入\u fn(
df3，df3[“标签”]，num_epochs=None，shuffle=True）
#对整个训练集进行预测。
预测\u训练\u输入\u fn=tf.compat.v1.estimator.inputs.pandas\u输入\u fn(
df3，df3[“标签”]，随机播放=假）
#测试集的预测。
#预测测试输入fn=tf.compat.v1.estimator.inputs.pandas输入fn(
#X_测试，y_测试，随机播放=假）
嵌入的\u文本\u功能\u列=hub.text\u嵌入的\u列(
key=“text”，
模块规格=”https://tfhub.dev/google/nnlm-en-dim128/1")
优化器=tf.compat.v1.train.AdamOptimizer(
学习率=tf.compat.v1.train.index衰减(
全局步长=0，
学习率=0.1，
衰减步数=10000，
衰减率=0.96，楼梯=真）
估算器=tf.estimator.DNNClassifier(
隐藏单位=[500100]，
特征列=[嵌入的特征列]，
n_类=2，
优化器=优化器
)
估算器序列（输入=序列输入，步数=5000）；

完全回溯：

ValueError回溯（最近一次调用）
在里面
2#批量大小。这大致相当于自训练数据集以来的25个时代
3#包含25000个示例。
---->4估计器序列（输入=序列输入，步长=5000）；
~/anaconda3/envs/tf/lib/python3.7/site-packages/tensorflow\u estimator/python/estimator/estimator.py in-train（self、input\fn、hook、steps、max\u steps、saving\u侦听器）
356
357保存侦听器=\u检查侦听器\u类型（保存侦听器）
-->358损失=自我训练模型（输入、挂钩、保存侦听器）
359 logging.info（'最后一步丢失：%s'，丢失）
360度回归自我
~/anaconda3/envs/tf/lib/python3.7/site-packages/tensorflow\u estimator/python/estimator/estimator.py in\u train\u模型（self、input\fn、hook、saving\u监听器）
1122返回自。\列车\模型\分布式（输入\ fn、挂钩、保存\侦听器）
1123其他：
->1124返回self.\u train\u model\u default（输入\u fn、钩子、保存\u侦听器）
1125
1126 def_train_model_默认值（self、input_fn、hook、saving_监听器）：
~/anaconda3/envs/tf/lib/python3.7/site-packages/tensorflow\u estimator/python/estimator/estimator.py in\u train\u model\u默认值（self、input\fn、hooks、saving\u监听器）
1152工人挂钩。扩展（输入挂钩）
1153估计器\规格=自身\调用\模型\ fn(
->1154特性、标签、型号（fn_lib.ModeKeys.TRAIN、self.config）
1155全局步骤张量=训练工具获取全局步骤（g）
1156带估算器规范（估算器规范、工人规范、，
~/anaconda3/envs/tf/lib/python3.7/site-packages/tensorflow\u estimator/python/estimator/estimator.py in\u call\u model\u fn（自我、功能、标签、模式、配置）
1110
1111 logging.info（'Calling model_fn'））
->1112模型结果=自身。模型（特征=特征，**kwargs）
1113 logging.info（'Done calling model_fn'））
1114
~/anaconda3/envs/tf/lib/python3.7/site-packages/tensorflow\u estimator/python/estimator/canted/dnn.py in\u model\u fn（特性、标签、模式、配置）
520输入层分区器=输入层分区器，
521 config=config，
-->522批次标准=批次标准）
523
524超级（DNNClassifier，self）。\u初始化__(
~/anaconda3/envs/tf/lib/python3.7/site-packages/tensorflow\u estimator/python/estimator/canted/dnn.py in\u dnn\u model\u fn（特性、标签、模式、头部、隐藏单元、特性列、优化器、激活、退出、输入层分区、配置、使用、批处理）
300标签=标签，
301优化器=优化器，
-->302 logits=logits）
303
304
创建估计器规范中的~/anaconda3/envs/tf/lib/python3.7/site-packages/tensorflow\u estimator/python/estimator/canted/head.py（self、features、mode、logits、label、optimizer、train\u op\u fn、regularization\u loss）
238自我评估(创建)(tpu)(评估)(规格)(
239功能、模式、登录、标签、优化器、列车运行，
-->240正规化（损失）
241返回tpu估计量规格as估计量规格（）
242除未实施错误外：
~/anaconda3/envs/tf/lib/python3.7/site-packages/tensorflow\u estimator/python/estimator/canted/head.py in\u create\u tpu\u estimator\u spec（self、features、mode、logits、label、optimizer、train\u op\u fn、regularization\u loss）
1244列车运行=优化器。最小化(
1245次正规化培训和损失，
->1246全局\u步骤=训练\u util.get\u全局\u步骤（）
1247 elif列车运行fn不是无：
1248列车运行=列车运行fn（正规化列车运行损耗）
最小化中的~/anaconda3/envs/tf/lib/python3.7/site-packages/tensorflow/python/training/optimizer.py
411
412返回自我。应用梯度（梯度和变量，全局步长=全局步长，
-->413名称=名称）
414
415 def计算梯度（自，l
def exponential_decay_fn(epoch):
    return 0.01 * 0.1**(epoch / 20) 

def exponential_decay(lr0, s):
    def exponential_decay_fn(epoch):
        return lr0 * 0.1**(epoch / s)
    return exponential_decay_fn

exponential_decay_fn = exponential_decay(lr0=0.01, s=20)  

model.compile(loss="sparse_categorical_crossentropy", optimizer="nadam", metrics=["accuracy"])
n_epochs = 25  


lr_scheduler = keras.callbacks.LearningRateScheduler(exponential_decay_fn)
history = model.fit(X_train_scaled, y_train, epochs=n_epochs,
                    validation_data=(X_valid_scaled, y_valid),
                    callbacks=[lr_scheduler])