Python 类型错误：输入'；b'；属于'；马特穆尔'；Op的float32类型与参数'；a'；

我试图遵循word2vec示例，但我遇到了以下错误：

TypeError: Input 'b' of 'MatMul' Op has type float32 that does not match type int32 of argument 'a'.

在这条线上

相似性=tf.matmul( tf.cast（有效的_嵌入，tf.int32），tf.cast（规范化的_嵌入，tf.int32），transpose_b=True）

这是全部代码：

graph = tf.Graph()

with graph.as_default():
  # Input data.
  train_inputs = tf.placeholder(tf.int32, shape=[batch_size])
  train_labels = tf.placeholder(tf.int32, shape=[batch_size, 1])
  valid_dataset = tf.constant(valid_examples, dtype=tf.int32)
  # Ops and variables pinned to the CPU because of missing GPU implementation
  with tf.device('/cpu:0'):
    # Look up embeddings for inputs.
    embeddings = tf.Variable(
        tf.random_uniform([vocabulary_size, embedding_size], -1.0, 1.0))
    embed = tf.nn.embedding_lookup(embeddings, train_inputs)
    # Construct the variables for the NCE loss
    nce_weights = tf.Variable(
        tf.truncated_normal([vocabulary_size, embedding_size],
                            stddev=1.0 / math.sqrt(embedding_size)))
    nce_biases = tf.Variable(tf.zeros([vocabulary_size]))
  # Compute the average NCE loss for the batch.
  # tf.nce_loss automatically draws a new sample of the negative labels each
  # time we evaluate the loss.
  loss = tf.reduce_mean(
      tf.nn.nce_loss(nce_weights, nce_biases, embed, train_labels,
                     num_sampled, vocabulary_size))
  # Construct the SGD optimizer using a learning rate of 1.0.
  optimizer = tf.train.GradientDescentOptimizer(1.0).minimize(loss)
  # Compute the cosine similarity between minibatch examples and all embeddings.
  norm = tf.sqrt(tf.reduce_sum(tf.square(embeddings), 1, keep_dims=True))
  normalized_embeddings = embeddings / norm
  valid_embeddings = tf.nn.embedding_lookup(
      normalized_embeddings, valid_dataset)
  similarity = tf.matmul(
      tf.cast(valid_embeddings,tf.int32), tf.cast(normalized_embeddings,tf.int32), transpose_b=True)
  # Add variable initializer.
  init = tf.initialize_all_variables()

---

我如何解决这个问题？

为什么要在整数空间中进行矩阵乘法？您可能希望将这两个tf.cast都转换为tf.float32。

我在使用Tensorflow r1.4和Python 3.4时遇到了相同的问题

事实上，我认为您需要更改代码

tf.nn.nce_loss(nce_weights, nce_biases, embed, train_labels,
                 num_sampled, vocabulary_size))

进入

或

同时，您需要将代码更改回

similarity = tf.matmul(valid_embeddings, tf.transpose(normalized_embeddings))

使用

tf.cast（…，tf.int32）

是错误的，实际上，没有必要使用

tf.cast（…，tf.float32）

，因为它已经是tf.float32了

p、 美国

当您在使用

tf.nn.sampled\u softmax\u loss（）

时遇到问题时，该解决方案也很有用，因为

sampled\u softmax\u loss（）

的用法与

nce\u loss（）

非常类似

loss = tf.reduce_mean(tf.nn.nce_loss(
        weights = softmax_weights,
        biases = softmax_biases, 
        inputs = embed, 
        labels = train_labels, 
        num_sampled = num_sampled, 
        num_classes = vocabulary_size))

similarity = tf.matmul(valid_embeddings, tf.transpose(normalized_embeddings))