Python 如何用tensorflow实现辍学

我在tensorflow 3-knn实现中应用了辍学。 但是由于占位符的变量keep_prob，我得到了一个错误

TypeError:无法将feed_dict键解释为张量：无法将int转换为张量

我编写了两个函数：前向传播（实现前向传播）和模型（训练模型上的参数）。以下是两个功能的简短实现：

为了训练模型，我如何影响keep_prob值从“model”函数到“forward_propagation”函数

def正向传播（X，参数，保持概率）：
#从字典“参数”中检索参数
W1=参数['W1']
b1=参数['b1']
W2=参数['W2']
b2=参数['b2']
W3=参数['W3']
b3=参数['b3']
#keep_prob=tf.placeholder（dtype=tf.float64）
###保持下降
Z1=tf.add（tf.matmul（W1，X），b1）#Z1=np.dot（W1，X）+b1
A1=tf.nn.relu（Z1）#A1=relu（Z1）
A1=tf.nn.辍学（A1，保持概率）
Z2=tf.add（tf.matmul（W2，A1），b2）#Z2=np.dot（W2，A1）+b2
A2=tf.nn.relu（Z2）#A2=relu（Z2）
A2=tf.nn.辍学（A2，保持概率）
Z3=tf.add（tf.matmul（W3，A2），b3）#Z3=np.dot（W3，A2）+b3
###保持下降
返回Z3
def模型（X_序列、Y_序列、X_测试、Y_测试、学习率=0.0001、次数=1500、小批量大小=32、保持概率=1、种子=0）：
ops.reset_default_graph（）
tf.设置随机种子（种子）
种子
（n_x，m）=x_列车形状
n_y=y_列。形状[0]\n_y:输出大小
成本=[]以跟踪成本
#创建形状的占位符（n_x，n_y）
###开始代码在这里####（1行）
十、 Y=创建\u占位符（n\u X，n\u Y）
keep_prob=tf.constant（keep_prob，dtype=tf.float32，name=“keep_prob”）
###结束代码在这里###
#初始化参数
参数=初始化_参数（）
#正向传播：在tensorflow图中构建正向传播
Z3=正向传播（X，参数，保持概率）
#成本=损失函数：将成本函数添加到tensorflow图
成本=计算成本（Z3=Z3，Y=Y）
#反向传播：定义tensorflow优化器。使用AdamOptimizer。
优化器=tf.train.GradientDescentOptimizer（学习率=学习率）。最小化（成本）
#初始化所有变量
init=tf.global_variables_initializer（）
#启动会话以计算tensorflow图
使用tf.Session（）作为sess：
#运行初始化
sess.run（初始化）
#进行训练循环
对于范围内的历元（num_历元）：
时代成本=0定义与历元相关的成本
num_minibacks=int（m/miniback_size）#列车组中miniback_size的minibacks数量
种子=种子+1
小批量=fct\U utils.随机小批量（X\U系列、Y\U系列、，
小批量（种子大小）
对于小批量中的小批量：
#选择一个小批量
（小批量X，小批量Y）=小批量
#重要提示：在小批量上运行图形的线。
#运行会话以执行“优化器”和“成本”，feedict应包含（X，Y）的小批量。
_，minibatch_cost=sess.run（[optimizer，cost]，
feed_dict={Y:minibatch_Y，
X：小批量，
keep_prob：keep_prob}）
历元成本+=小批量成本/num小批量
#打印每个时代的成本
如果打印成本==真且历元%100==0：
打印（“历元%i之后的成本：%f”%（历元，历元成本））
如果打印成本==真，且纪元%5==0：
成本。追加（历元成本）
#让我们将参数保存在变量中
参数=sess.run（参数）
打印（“参数已培训！”）

应交换

keep_prob

和

keep_prob

的位置。在代码中，

keep\u prob

是一个int类型，

keep\u prob\u

是一个张量，应该是

feed\u dict

中的键

feed_dict={Y:minibatch_Y，X:minibatch_，keep_prob_:keep_prob}