占位符x-input TensorFlow的提要的数据类型错误

我想用我刚刚安装的TF在MNIST上实现一个简单的逻辑回归，并想用TensorBoard监控小批量SGD的进度

我首先没有使用tensorboard，而是编译了它，在测试集上获得了0.9166的精度

然而，当我添加tensorboard以查看发生了什么时，我甚至无法再编译它，我得到：

占位符必须输入dtype float

但我的所有数组都是具有dtype float的np数组

如果您能指出我代码中的问题，那将是令人惊讶的：

#-*-编码：utf-8-*-
"""
创建于2016年1月14日星期四13:06:44
@作者：我
"""
#从tensorflow.examples.tutorials.mnist导入输入数据
#mnist=输入数据。读取数据集（“mnist\u data/”，one\u hot=True）
导入tensorflow作为tf
导入操作系统
随机输入
将numpy作为np导入
从数组导入数组
导入结构
将matplotlib.pyplot作为plt导入
导入时间
#我首先将mnist中解压缩的ubyte文件放在指定的路径上
os.chdir（“/home/me/Bureau/Step1/”）
打开（“train labels.idx1 ubyte”）作为文件：
magic，size=struct.unpack（“>II”，file.read（8））
train\u labels\u data=np.asarray（数组（“B”，file.read（））
打开（“t10k labels.idx1 ubyte”）作为文件：
magic，size=struct.unpack（“>II”，file.read（8））
test\u labels\u data=np.asarray（数组（“B”，file.read（）））
打开（“train images.idx3 ubyte”）作为文件：
magic，size，rows，cols=struct.unpack（“>IIII”，file.read（16））
train\u images\u data=np.restrape（np.asarray（数组（“B”，file.read（）），（大小，行，列））
打开（“t10k images.idx3 ubyte”）作为文件：
magic，size，rows，cols=struct.unpack（“>IIII”，file.read（16））
test_images_data=np.restrape（np.asarray（数组（“B”，file.read（）），（大小，行，列））
对于范围（10）内的i：
plt.imshow（列车图像数据[i，：]）
plt.show（）
打印（列车标签数据[i]）
序列图像=np.整形（序列图像数据，（60000,28*28））.aType（np.float32）*1/255
test_images=np.重塑（test_images_数据，（10000,28*28））.astype（np.float32）*1/255
列车标签=np.0（（60000,10），数据类型=np.32）
test_labels=np.zero（（10000,10），dtype=np.float32）
对于范围内的i（60000）：
a=列车标签数据[i]
列车标签[i，a]=1。
对于范围（10000）内的j：
b=测试标签数据[j]
测试标签[j，b]=1。
sess=tf.Session（）
x=tf.placeholder（tf.float32[None，784]，name=“x-input”）
W=tf.Variable（tf.zero（[784,10]），name=“weights”）
b=tf.变量（tf.零（[10]），name=“bias”）
以tf.name_scope（“Wx_b”）作为作用域：
y=tf.nn.softmax（tf.matmul（x，W）+b）
w_hist=tf.直方图汇总（“权重”，w）
b_hist=tf.直方图汇总（“偏差”，b）
y_hist=tf.直方图汇总（“y”，y）
y=tf.占位符（tf.float32，[None，10]，name=“y-input”）
以tf.name_scope（“xent”）作为作用域：
交叉熵=-tf.reduce\u和（y*tf.log（y））
ce_summ=tf.标量_摘要（“交叉熵”，交叉熵）
以tf.name_范围（“列车”）作为范围：
训练步长=tf.训练梯度降熵器（0.01）.最小化（交叉熵）
以tf.name_范围（“测试”）作为范围：
正确的预测=tf.equal（tf.argmax（y，1），tf.argmax（y，1））
准确度=tf.reduce_平均值（tf.cast（正确的预测，tf.float32））
精度汇总=tf.标量汇总（“精度”，精度）
合并=tf.merge_all_summaries（）
writer=tf.train.SummaryWriter（“/tmp/mnist_logs”，sess.graph_def）
初始化所有变量（）
sess.run（初始化）
对于范围（1000）内的i：
如果i%10==0：
feed={x:test\u图像，y\uu:test\u标签}
结果=sess.run（[合并，精度]，进刀量=进刀量）
summary_str=结果[0]
acc=结果[1]
编写者。添加摘要（摘要，一）
打印（“第%s步的精度：%s”%（i，acc））
其他：
索引=np.random.randint（60000-1，大小=100）
批次X，批次Y=序列图像[索引，：]，序列标签[索引]
sess.run（train_step，feed_dict={x:batch_xs，y_u:batch_ys}）
打印（sess.run（精度，进纸顺序={x:train\u图像，y:train\u标签}））

---

它发生的那一行在feed to merged中，但是当我以与feed train_step完全相同的方式进行feed时，我不知所措……

当我重新打开一个新的spyder并启动它工作的程序时，你无法反复运行相同的脚本！！！ 头脑=崩溃