Tensorflow ValueError：没有为任何变量提供渐变

我正面临tensorFlow的问题。执行以下代码

import tensorflow as tf
import input_data

learning_rate = 0.01
training_epochs = 25
batch_size = 100
display_step = 1

mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)

# tensorflow graph input
X = tf.placeholder('float', [None, 784]) # mnist data image of shape 28 * 28 = 784
Y = tf.placeholder('float', [None, 10]) # 0-9 digits recognition = > 10 classes

# set model weights
W = tf.Variable(tf.zeros([784, 10]))
b = tf.Variable(tf.zeros([10]))

# Our hypothesis
activation = tf.add(tf.matmul(X, W),b)  # Softmax

# Cost function: cross entropy
cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=activation, logits=Y))
optimizer = tf.train.AdamOptimizer(learning_rate=learning_rate).minimize(cost)  # Gradient Descen

我得到以下错误：

ValueError：没有为任何变量提供渐变，请检查图形 对于不支持渐变的操作，在变量之间 ['Tensor（“变量/读取：0”，形状=（784,10），数据类型=float32'， “张量（“变量_1/read:0”，形状=（10，），数据类型=float32）”和损失 张量（“平均值：0”，形状=（），数据类型=浮点32）

---

此问题由以下行引起：

tf.nn.softmax\u cross\u entropy\u with\u logits（labels=activation，logits=Y）

基于你应该有

标签：每行标签[i]必须是有效的概率分布

logits：未标度的日志概率

---

所以logits假设是你的假设，因此等于

激活

，有效概率分布是

Y

。所以只要用

tf.nn.softmax\u cross\u entropy\u和

来更改它就行了，因为我把输入的X数据传递给了我的模型，而不是我预期的输出。我有：

model.fit(X, epochs=30)      # whoops!

我本应该：

model.fit(X, y, epochs=30)   # fixed!

---

我通过改变参数解决了这个问题。。（标签=激活，登录=Y）→ （labels=Y，logits=activation）这是一个逻辑问题。谢谢这也是我的案子