Python TensorFlow和单词嵌入-类型错误：不可损坏类型：'；numpy.ndarray和#x27；

我希望修改关于预测下一个单词的代码，使其具有预测问题答案的代码

下面是我遇到问题的代码摘录：

import tensorflow.contrib as ct

def NHIDDEN():
    return 1

g = tf.Graph()
tf.reset_default_graph()

with g.as_default():
    # lines 97-104 of original code
    # RNN output node weights and biases
    weights = { 'out': tf.Variable(tf.random_normal([NHIDDEN(), embedding_dim])) }
    biases = { 'out': tf.Variable(tf.random_normal([embedding_dim])) }

    with tf.name_scope("embedding"):
        W = tf.Variable(tf.constant(0.0, shape=[vocab_size, embedding_dim]),
                    trainable=False, name="W")
        embedding_placeholder = tf.placeholder(tf.float32, [vocab_size, embedding_dim])
        embedding_init = W.assign(embedding_placeholder)
        preimage = tf.nn.embedding_lookup(W, x2)

    # lines 107-119 of original
    # reshape input data
    x_unstack = tf.unstack(preimage)

    # create RNN cells
    rnn_cell = ct.rnn.MultiRNNCell([ct.rnn.BasicLSTMCell(NHIDDEN()), ct.rnn.BasicLSTMCell(NHIDDEN())])
    outputs, states = ct.rnn.static_rnn(rnn_cell, x_unstack, dtype=tf.float32)

    # capture only the last output
    pred = tf.matmul(outputs[-1], weights['out']) + biases['out'] 

    # Create loss function and optimizer
    cost = tf.reduce_mean(tf.nn.l2_loss(pred-y))
    optimizer = tf.train.AdamOptimizer(learning_rate=0.001).minimize(cost)

    # lines 130, 134 and 135 of original
    step = 0
    acc_total = 0
    loss_total = 0

    with tf.Session(graph = g) as sess:
        # lines 138, 160, 162, 175, 178 and 182 of original
        while step < 1: # training_iters:
            _,loss, pred_ = sess.run([optimizer, cost, pred], feed_dict =
                                 {x: tf.nn.embedding_lookup(W, x2), y: tf.nn.embedding_lookup(W, y)})
            loss_total += loss
            print("loss = " + "{:.6f}".format(loss_total))
            step += 1
        print ("Finished Optimization")

导入tensorflow.contrib作为ct
def NHIDDEN（）：
返回1
g=tf.Graph（）
tf.reset_default_graph（）
使用g.as_default（）：
#原代码第97-104行
#RNN输出节点权重和偏差
权重={'out'：tf.Variable（tf.random_normal（[NHIDDEN（），embedded_dim]））
偏差={'out'：tf.Variable（tf.random_normal（[embedding_dim]））
使用tf.name_范围（“嵌入”）：
W=tf.Variable（tf.constant（0.0，shape=[vocab\u size，embedded\u dim]），表示，
可培训=False，name=“W”）
嵌入占位符=tf.placeholder（tf.float32，[vocab\u大小，嵌入尺寸]）
嵌入\u init=W.assign（嵌入\u占位符）
preimage=tf.nn.embedding\u查找（W，x2）
#原文第107-119行
#重塑输入数据
x_unstack=tf.unstack（前图像）
#创建RNN单元
rnn_cell=ct.rnn.multirncell（[ct.rnn.BasicLSTMCell（NHIDDEN（）），ct.rnn.BasicLSTMCell（NHIDDEN（））]））
输出，状态=ct.rnn.static\u rnn（rnn\u单元格，x\u取消堆栈，数据类型=tf.float32）
#仅捕获最后的输出
pred=tf.matmul（输出[-1]，权重['out']）+偏差['out']
#创建损失函数和优化器
成本=tf.减少平均值（tf.nn.l2.损失（pred-y））
优化器=tf.train.AdamOptimizer（学习率=0.001）。最小化（成本）
#原文第130、134和135行
步长=0
acc_总计=0
总损失=0
将tf.Session（graph=g）作为sess：
#原文第138、160、162、175、178和182行
而步骤<1:#培训#投标人：
_，损失，预测=sess.run（[optimizer，cost，pred]，feed\u dict=
{x:tf.nn.嵌入查找（W，x2），y:tf.nn.嵌入查找（W，y）}）
损失总额+=损失
打印（“损失=”+“{.6f}”。格式（损失总额））
步骤+=1
打印（“完成优化”）

我得到的错误是：

---------------------------------------------------------------------------
TypeError                                 Traceback (most recent call last)
<ipython-input-7-7a72d8d4f100> in <module>()
     42         while step < 1: # training_iters:
     43             _,loss, pred_ = sess.run([optimizer, cost, pred], feed_dict =
---> 44                                      {x: tf.nn.embedding_lookup(W, x2), y: tf.nn.embedding_lookup(W, y)})
     45             loss_total += loss
     46             print("loss = " + "{:.6f}".format(loss_total))

TypeError: unhashable type: 'numpy.ndarray'

---------------------------------------------------------------------------
TypeError回溯（最近一次调用上次）
在（）
42当步骤<1:培训时：
43 uu，损失，预测=sess.run（[optimizer，cost，pred]，feed\u dict=
--->44{x:tf.nn.嵌入查找（W，x2），y:tf.nn.嵌入查找（W，y）}）
45损失_总计+=损失
46打印（“损失=”+“{.6f}”。格式（损失总额））
TypeError:不可损坏的类型：“numpy.ndarray”

如何修复代码？是因为

取消堆叠

ing吗

---

附加上下文：

x2

和

y

被分配

np.array（list（vocab\u processor.transform（[s]））

的返回值，其中

s

是一个字符串（通过传递不同的字符串）<代码>嵌入dim、

语音大小

和

W

使用处的代码进行计算。

问题出现在这里：

y:tf.nn.嵌入查找（W，y）

。

feed\u dict

键应该是TensorFlow图中的占位符。假设

y

是一个包含目标值的

numpy.ndarray

，您可以定义一个

y

将目标值馈送到网络中，将

feed\u dict

的相应条目更改为

y:tf.nn。嵌入查找（W，y）

，并相应地修改其他张量（即，使用张量

y\uu

计算损失）。

始终显示错误消息的完整回溯，否则很难理解错误消息的来源。@JohnZwinck抱歉，你说得很对。我已更新了问题。