Python InvalidArgumentError：必须为占位符张量'；占位符'；使用数据类型float和shape

我在Pycharm中编写了以下代码，它在Tensorflow中完全连接层（FCL）。占位符发生无效参数错误。因此，我在占位符中输入了所有的

dtype

、

shape

和

name

，但仍然得到无效参数错误

我想通过FCL模型生成新信号（1222）。
输入信号（1222）=>输出信号（1222）

• maxPredict

  ：查找输出信号中具有最高值的索引

• 计算Y

  ：获取maxPredict对应的频率数组值

• 损失

  ：使用真实Y和计算Y之间的差值作为损失

• 损失

  =tf.abs（真实-计算）`

代码（发生错误）

x=tf.placeholder（dtype=tf.float32，shape=[1222]，name='inputX'）

错误

InvalidArgumentError（回溯见上文）：必须为带有数据类型float和形状[1222]的占位符张量'inputX'输入一个值。 tensorflow.python.framework.errors\u impl.InvalidArgumentError：必须为带有数据类型float和形状[1222]的占位符tensor“inputX”提供一个值 [{{node inputX}}=Placeholderdtype=DT_FLOAT，shape=[1222]，_device=“/job:localhost/replica:0/task:0/device:CPU:0”]] 在处理上述异常期间，发生了另一个异常：

新错误案例 我更改了代码。

x=tf.placeholder（tf.float32[None，222]，name='inputX'）

错误案例1

tensorFreq=tf.convert\u to\u tensor（basicFreq，tf.float32）

newY=tf.gather（tensorFreq，maxPredict）*60

loss=tf.abs（y-tf.Variable（newY））

ValueError:初始值必须指定一个形状：张量（“mul:0”，shape=（？，），dtype=float32）

错误案例2

tensorFreq=tf.convert\u to\u tensor（basicFreq，tf.float32）

newY=tf.gather（tensorFreq，maxPredict）*60

loss=tf.abs（y-newY）

回溯（最近一次呼叫最后一次）： 文件“D:/PycharmProject/DetectionSignal/TEST_FCL_StackOverflow.py”，第127行，in 列车步骤=选择最小化（损失） 文件“C:\Users\Heewony\Anaconda3\envs\TSFW\u pycharm\lib\site packages\tensorflow\python\training\optimizer.py”，第407行 （[str（v）代表v，在梯度和变量中为v]，损失）） ValueError:没有为任何变量提供渐变，请检查图形中不支持渐变的操作。[tf.variable'variable:0'shape=（2221024）dtype=float32\u ref，tf.variable'variable\u 1:0'shape=（1024，）dtype=float32\u re，…..tf.variable'variable\u 5:0'shape=（222，）dtype=float32\u ref]和损失张量（“Abs:0”，dtype=float32）

开发环境

• 操作系统平台和发行版：Windows 10 x64
• TensorFlow安装地点：Anaconda
• Tensorflow 1.12.0版：
• python 3.6.7：
• 移动设备：不适用
• 要复制的确切命令：不适用
• GPU型号和内存：NVIDIA GeForce CTX 1080 Ti
• CUDA/cuDNN:9.0/7.4

模型与功能 图表 一场

---

变量

batchSignal

的类型或形状似乎不正确。它必须是形状精确的numpy数组

[1222]

。如果要使用一批大小为n×222的示例，占位符

x

的形状应为

[None，222]

，占位符

y

的形状应为

[None]

---

顺便说一下，考虑使用，而不是显式初始化变量和自己实现这些层。

应该有两件事情要改变。 错误案例0。您不需要重新调整层间的流。您可以在第一个维度使用

None

传递动态批量大小

错误案例1。您可以直接使用您的newY作为NN的输出。只能使用tf.Variable定义权重或偏差

错误案例2.而且tensorflow似乎既没有

tf.abs（）

也没有

tf.gather（）

的梯度下降实现。对于回归问题，均方误差通常是足够的

这里，我如何重写您的代码。我没有您的matlab部分，因此无法调试您的python/matlab接口：

型号：

def Model_FCL(inputX):
    # Fully Connected Layer 1
    fcW1 = tf.get_variable('w1', shape=[222, 1024], initializer=tf.initializer.truncated_normal())
    fcb1 = tf.get_variable('b1', shape=[222], initializer=tf.initializer.truncated_normal())
    # fcb1 = tf.get_variable('b1', shape=[None, 222], trainable=False, initializer=tf.constant_initializer(valueThatYouWant)) # if you want to fix your bias constant
    fch1 = tf.nn.relu(tf.matmul(inputX, fcW1) + fcb1, name='relu1')

    # Fully Connected Layer 2
    fcW2 = tf.get_variable('w2', shape=[1024, 1024], initializer=tf.initializer.truncated_normal())
    fcb2 = tf.get_variable('b2', shape=[222], initializer=tf.initializer.truncated_normal())
    # fcb2 = tf.get_variable('b2', shape=[None, 222], trainable=False, initializer=tf.constant_initializer(valueThatYouWant)) # if you want to fix your bias constant
    fch2 = tf.nn.relu(tf.matmul(fch1, fcW2) + fcb2, name='relu2')

    # Output Layer
    fcW3 = tf.get_variable('w3', shape=[1024, 222], initializer=tf.initializer.truncated_normal())
    fcb3 = tf.get_variable('b3', shape=[222], initializer=tf.initializer.truncated_normal())
    # fcb2 = tf.get_variable('b2', shape=[None, 222], trainable=False, initializer=tf.constant_initializer(valueThatYouWant)) # if you want to fix your bias constant
    logits = tf.add(tf.matmul(fch2, fcW3), fcb3)

    predictY = tf.nn.softmax(logits)  #I'm not sure that it will learn if you do softmax then abs/MSE
    return predictY, logits

with myGraph.as_default():
    # define input data & output data 입력받기 위한 placeholder
    # put None(dynamic batch size) not -1 at the first dimension so that you can change your batch size
    x = tf.placeholder(tf.float32, shape=[None, 222], name='inputX')  # Signal size = [1, 222]
    y = tf.placeholder(tf.float32, shape=[None], name='trueY')  # Float value size = [1]

    ...

    predictY, logits = Model_FCL(x)  # Predict Signal, size = [1, 222]
    maxPredict = tf.argmax(predictY, 1, name='maxPredict')  # Find max index of Predict Signal

    tensorFreq = tf.convert_to_tensor(basicFreq, tf.float32)
    newY = tf.gather(tensorFreq, maxPredict) * 60   # Find the value that corresponds to the Freq array index

    loss = tf.losses.mean_squared_error(labels=y, predictions=newY)  # maybe use MSE for regression problem
    # loss = tf.abs(y - newY)  # Calculate absolute (true Y - predict Y) #tensorflow doesn't have gradient descent implementation for tf.abs
    opt = tf.train.AdamOptimizer(learning_rate=0.0001)
    trainStep = opt.minimize(loss)

图形：

def Model_FCL(inputX):
    # Fully Connected Layer 1
    fcW1 = tf.get_variable('w1', shape=[222, 1024], initializer=tf.initializer.truncated_normal())
    fcb1 = tf.get_variable('b1', shape=[222], initializer=tf.initializer.truncated_normal())
    # fcb1 = tf.get_variable('b1', shape=[None, 222], trainable=False, initializer=tf.constant_initializer(valueThatYouWant)) # if you want to fix your bias constant
    fch1 = tf.nn.relu(tf.matmul(inputX, fcW1) + fcb1, name='relu1')

    # Fully Connected Layer 2
    fcW2 = tf.get_variable('w2', shape=[1024, 1024], initializer=tf.initializer.truncated_normal())
    fcb2 = tf.get_variable('b2', shape=[222], initializer=tf.initializer.truncated_normal())
    # fcb2 = tf.get_variable('b2', shape=[None, 222], trainable=False, initializer=tf.constant_initializer(valueThatYouWant)) # if you want to fix your bias constant
    fch2 = tf.nn.relu(tf.matmul(fch1, fcW2) + fcb2, name='relu2')

    # Output Layer
    fcW3 = tf.get_variable('w3', shape=[1024, 222], initializer=tf.initializer.truncated_normal())
    fcb3 = tf.get_variable('b3', shape=[222], initializer=tf.initializer.truncated_normal())
    # fcb2 = tf.get_variable('b2', shape=[None, 222], trainable=False, initializer=tf.constant_initializer(valueThatYouWant)) # if you want to fix your bias constant
    logits = tf.add(tf.matmul(fch2, fcW3), fcb3)

    predictY = tf.nn.softmax(logits)  #I'm not sure that it will learn if you do softmax then abs/MSE
    return predictY, logits

with myGraph.as_default():
    # define input data & output data 입력받기 위한 placeholder
    # put None(dynamic batch size) not -1 at the first dimension so that you can change your batch size
    x = tf.placeholder(tf.float32, shape=[None, 222], name='inputX')  # Signal size = [1, 222]
    y = tf.placeholder(tf.float32, shape=[None], name='trueY')  # Float value size = [1]

    ...

    predictY, logits = Model_FCL(x)  # Predict Signal, size = [1, 222]
    maxPredict = tf.argmax(predictY, 1, name='maxPredict')  # Find max index of Predict Signal

    tensorFreq = tf.convert_to_tensor(basicFreq, tf.float32)
    newY = tf.gather(tensorFreq, maxPredict) * 60   # Find the value that corresponds to the Freq array index

    loss = tf.losses.mean_squared_error(labels=y, predictions=newY)  # maybe use MSE for regression problem
    # loss = tf.abs(y - newY)  # Calculate absolute (true Y - predict Y) #tensorflow doesn't have gradient descent implementation for tf.abs
    opt = tf.train.AdamOptimizer(learning_rate=0.0001)
    trainStep = opt.minimize(loss)

---

我变了

x=tf.placeholder（tf.float32[None，222]，name='inputX'）

#信号大小=[1222]。但另一个错误发生了

newY=tf.gather（tensorFreq，maxPredict）*60

loss=tf.abs（y-tf.Variable（newY））value错误：初始值必须指定一个形状：Tensor（“mul:0”，shape=（？），dtype=float32）或将损耗更改为

loss=tf.abs（y-newY）

，它发生在trainStep=opt.minimize（损耗），ValueError：没有为任何变量提供梯度，请检查图形中不支持梯度的ops，变量之间这很奇怪：

loss=tf.abs（y-tf.variable（newY））

，它创建了一个由

newY

初始化的变量（即使用从newY复制的值），从那时起，该变量与

newY

`变量（newY）`不是你的预测，而是一个恰好具有相同值的变量，因此错误无法传播到模型中。错误案例2 tensorFreq=tf.convert_to_tensor（basicFreq，tf.float32）newY=tf.gather（tensorFreq，maxPredict）*60 loss=tf abs（y-newY）由它引起，此错误值错误：没有为任何变量提供渐变，请在变量之间检查图形中是否有不支持渐变的操作[tf.variable'variable:0'shape=（2221024）dtype=float32_ref，tf.variable'variable

with myGraph.as_default():
    # define input data & output data 입력받기 위한 placeholder
    # put None(dynamic batch size) not -1 at the first dimension so that you can change your batch size
    x = tf.placeholder(tf.float32, shape=[None, 222], name='inputX')  # Signal size = [1, 222]
    y = tf.placeholder(tf.float32, shape=[None], name='trueY')  # Float value size = [1]

    ...

    predictY, logits = Model_FCL(x)  # Predict Signal, size = [1, 222]
    maxPredict = tf.argmax(predictY, 1, name='maxPredict')  # Find max index of Predict Signal

    tensorFreq = tf.convert_to_tensor(basicFreq, tf.float32)
    newY = tf.gather(tensorFreq, maxPredict) * 60   # Find the value that corresponds to the Freq array index

    loss = tf.losses.mean_squared_error(labels=y, predictions=newY)  # maybe use MSE for regression problem
    # loss = tf.abs(y - newY)  # Calculate absolute (true Y - predict Y) #tensorflow doesn't have gradient descent implementation for tf.abs
    opt = tf.train.AdamOptimizer(learning_rate=0.0001)
    trainStep = opt.minimize(loss)