'；类型错误：'；浮动'；对象不能解释为整数'；Python3.7.1编写简单GAN时出错

我是Python和编程的新手。我正在尝试编写一个简单的

GAN

代码来使用

Keras

数据集（请参见下面教程的超链接）。 我收到两个警告，然后是一个错误：

TypeError: 'float' object cannot be interpreted as an integer.

任何帮助都将不胜感激

详细信息：

Python 3.7.1，Mac OS High Sierra 10.13.6。我使用IDLE编写Python代码，并通过终端运行程序

错误

警告：tensorflow:From/Users/darren/miniconda3/lib/python3.7/site packages/tensorflow/python/framework/op_def_library.py:263:colocate_with（来自tensorflow.python.framework.ops）已被弃用，并将在未来版本中删除

更新说明： 由placer自动处理Colocations

警告：tensorflow:From/Users/darren/miniconda3/lib/python3.7/site packages/keras/backend/tensorflow_backend.py:3445:不推荐使用keep_prob调用dropout（来自tensorflow.python.ops.nn_ops）并将在未来版本中删除

更新说明： 请使用

rate

而不是

keep\u prob

。应将速率设置为

Rate=1-keep_prob

---------------第一纪元---------------

回溯（最近一次呼叫最后一次）：

文件“gan.py”，第91行，在 列车（400128）文件“gan.py”，第75行，列车中 对于tqdm中的u（范围（批次计数））： TypeError:“float”对象不能解释为整数

代码：

import os
import numpy as np
import matplotlib.pyplot as plt
from tqdm import tqdm
from keras.layers import Input
from keras.models import Model, Sequential
from keras.layers.core import Dense, Dropout
from keras.layers.advanced_activations import LeakyReLU
from keras.datasets import mnist
from keras.optimizers import Adam
from keras import initializers
os.environ["KERAS_BACKEND"] = "tensorflow"
np.random.seed(10)
random_dim = 100
def load_minst_data():
        (x_train, y_train), (x_test, y_test) = mnist.load_data()
        x_train = (x_train.astype(np.float32) - 127.5)/127.5
        x_train = x_train.reshape(60000, 784)
        return (x_train, y_train, x_test, y_test)
def get_optimizer():
        return Adam(lr=0.0002, beta_1=0.5)
def get_generator(optimizer):
        generator = Sequential()
        generator.add(Dense(256, input_dim=random_dim, kernel_initializer=initializers.RandomNormal(stddev=0.02)))
        generator.add(LeakyReLU(0.2))
        generator.add(Dense(512))
        generator.add(LeakyReLU(0.2))
        generator.add(Dense(1024))
        generator.add(LeakyReLU(0.2))
        generator.add(Dense(784, activation='tanh'))
        generator.compile(loss='binary_crossentropy', optimizer=optimizer)
        return generator
def get_discriminator(optimizer):
        discriminator = Sequential()
        discriminator.add(Dense(1024, input_dim=784, kernel_initializer=initializers.RandomNormal(stddev=0.02)))
        discriminator.add(LeakyReLU(0.2))
        discriminator.add(Dropout(0.3))
        discriminator.add(Dense(512))
        discriminator.add(LeakyReLU(0.2))
        discriminator.add(Dropout(0.3))
        discriminator.add(Dense(256))
        discriminator.add(LeakyReLU(0.2))
        discriminator.add(Dropout(0.3))
        discriminator.add(Dense(1, activation='sigmoid'))
        discriminator.compile(loss='binary_crossentropy', optimizer=optimizer)
        return discriminator
def get_gan_network(discriminator, random_dim, generator, optimizer):
        discriminator.trainable = False
        gan_input = Input(shape=(random_dim,))
        x = generator(gan_input)
        gan_output = discriminator(x)
        gan = Model(inputs=gan_input, outputs=gan_output)
        gan.compile(loss='binary_crossentropy', optimizer=optimizer)
        return gan
def plot_generated_images(epoch, generator, examples=100, dim=(10, 10), figsize=(10, 10)):
        noise = np.random.normal(0, 1, size=[examples, random_dim])
        generated_images = generator.predict(noise)
        generated_images = generated_images.reshape(examples, 28, 28)
        plt.figure(figsize=figsize)
        for i in range(generated_images.shape[0]):
                plt.subplot(dim[0], dim[1], i+1) 
                plt.imshow(generated_images[i], interpolation='nearest', cmap='gray_r')
                plt.axis('off')
        plt.tight_layout()
        plt.savefig('gan_generated_image_epoch_%d.png' % epoch)
def train(epochs=1, batch_size=128):
        x_train, y_train, x_test, y_test = load_minst_data()
        batch_count = x_train.shape[0] / batch_size
        adam = get_optimizer()
        generator = get_generator(adam)
        discriminator = get_discriminator(adam)
        gan = get_gan_network(discriminator, random_dim, generator, adam)
        for e in range(1, epochs+1):
                print ('-'*15, 'Epoch %d' % e, '-'*15)
                for _ in tqdm(range(batch_count)):
                        noise = np.random.normal(0, 1, size=[batch_size, random_dim])
                        image_batch = x_train[np.random.randint(0, x_train.shape[0], size=batch_size)]
                        generated_images = generator.predict(noise)|
                        X = np.concatenate([image_batch, generated_images])
                        y_dis = np.zeros(2*batch_size)
                        y_dis[:batch_size] = 0.9
                        discriminator.trainable = True
                        discriminator.train_on_batch(X, y_dis)
                        noise = np.random.normal(0, 1, size=[batch_size, random_dim])
                        y_gen = np.ones(batch_size)
                        discriminator.trainable = False
                        gan.train_on_batch(noise, y_gen)
               if e == 1 or e % 20 == 0:
                        plot_generated_images(e, generator)
if __name__ == '__main__':
        train(400, 128)

---

问题来自生产线

x\u系列。形状[0]/batch\u尺寸

。 默认情况下，在python3的较新版本中，

/

运算符执行浮点除法，而不是

div

如果希望结果为整数，则应改为使用

/

运算符，其行为类似于

div

：

---

x\u train.shape[0]//批处理大小

在循环前添加调试语句，

for u.in.

，并打印变量批处理计数的类型。要使循环正常工作，它应该是一个

int

能否请您给我一个示例作为一行代码？

打印（类型（批次计数））

。同时考虑阅读：谢谢！我将阅读并添加这些声明。谢谢Eric！我能够克服这个错误，但当程序运行时它崩溃了，我得到了这个错误：“由于未捕获的异常'NSInvalidArgumentException'而终止应用程序，原因：'-[NSApplication\u setup:::]：未识别的选择器发送到实例0x7fcba9772980'”这是因为我的代码没有上面提到的调试语句吗？您面临的新错误还有其他原因。调试语句是临时添加的代码行，您可以在错误发生之前或之后更好地了解程序的状态。