Python &引用；无法输入形状的值“；简单tensorflow的错误+；TFL学习神经网络

我见过一些人有类似的错误，但似乎没有一个与我有关，作为一个对python比较陌生的人，这一切都有点让人困惑

我正在使用Tensorflow+TFLearn尝试建立一个非常简单的网络，根据鳄梨的类型、产地和年份（不要问），它可以预测鳄梨的价格，并不断抛出错误：

无法为具有形状“（？，1）”的张量“TargetsData/Y:0”提供形状值（10500）

我把n_类设置为500，因为我正在处理一些更高的数字，如果它太低，它会不断抛出一个错误，但据我所知，这并不是因为它与“形状”有关，但我真的不知道这意味着什么

我将粘贴我的完整代码，抱歉，如果这是一个糟糕的问题/一个简单的问题，我只是对所有这些都不熟悉，有点困惑

data, labels = tflearn.data_utils.load_csv('avocado.csv',
                                               target_column=2,
                                               categorical_labels=True,
                                               n_classes=500,
                                               columns_to_ignore=[0,1,3,4,5,6,7,8,9,10])
    for type in data:
        if type[0] == "conventional":
            type[0] = 1
        else:
            type[0] = 0

    for place in data:
        if place[2] == "Albany":
            place[2] = 0
        elif place[2] == "Atlanta":
            place[2] = 1
        elif place[2] == "BaltimoreWashington":
            place[2] = 2
        elif place[2] == "Boise":
            place[2] = 3
        elif place[2] == "Boston":
            place[2] = 4
        elif place[2] == "BuffaloRochester":
            place[2] = 5
        elif place[2] == "California":
            place[2] = 6
        elif place[2] == "Charlotte":
            place[2] = 7

    #this goes on for a while, just converting strings to int to work 
    #with TFLearn

    print(data[0])
    # define the input layer
    # 3 because we have 3 columns in the data set (year, location, and type)
    net = tflearn.input_data(shape=[None, 3])

    # adding hidden layers
    net = tflearn.fully_connected(net, 32)
    net = tflearn.fully_connected(net, 32)

    # the output layer
    net = tflearn.fully_connected(net, 1, activation="softmax")

    net = tflearn.regression(net)

    # define model
    model = tflearn.DNN(net)

    # start training
    model.fit(data, labels, n_epoch=10, batch_size=10, show_metric=True)

---

提前感谢您的帮助，如果这是一个愚蠢的问题，请再次道歉。

您的示例代码和问题描述似乎是关于回归的，但是，您已经设置了

categorical_labels=True

以及

n_classes=500

，这将把鳄梨价格视为一个具有500个不同可能值的分类变量（而不是一个连续变量）。这将创建500个一级热向量，该热向量与网络的最后一层不兼容（该层有一个输出节点，而不是500个）。 对于回归问题，您应该设置

category_labels=False

，并且您可以完全忽略

n_类