ValueError：在 TensorFlow 中使用 feed_dict 时使用序列设置数组元素

Question

我在执行训练时尝试输入包含正确标签的张量。

整个训练数据集的正确标签包含在一个从 numpy 数组转换而来的张量中：

numpy_label = np.zeros((614,5),dtype=np.float32)

for i  in range(614):
    numpy_label[i,label_numbers[i]-1] = 1

# Convert to tensor
y_label_all = tf.convert_to_tensor(numpy_label,dtype=tf.float32)

我有一个占位符用于每个批次的正确标签：

images_per_batch = 5
y_label = tf.placeholder(tf.float32,shape=[images_per_batch,5])

在每个训练步骤中，我将y_label_all 的相应部分切片为y_，并希望将其输入为y_label：

for step in range(100):

    # Slice correct labels for current batch
    y_ = tf.slice(y_label_all,[step,0],[images_per_batch,5])

    # Train
    _, loss_value = sess.run([train_step,loss],feed_dict={y_label:y_})

这会产生错误：

_, loss_value = sess.run([train_step,loss],feed_dict={y_label:y_})
  File "/usr/local/lib/python2.7/dist-    packages/tensorflow/python/client/session.py", line 357, in run
np_val = np.array(subfeed_val, dtype=subfeed_t.dtype.as_numpy_dtype)
ValueError: setting an array element with a sequence.

变量y_和y_label的形状：

#y_: 
Tensor("Slice:0", shape=TensorShape([Dimension(5), Dimension(5)]), dtype=float32)

#y_label: 
Tensor("Placeholder:0", shape=TensorShape([Dimension(5), Dimension(5)]), dtype=float32)

我不明白出了什么问题？显然这与 numpy 有关 - 但现在我已将 numpy 数组转换为张量，这会影响什么吗？

非常感谢您的帮助和洞察力。谢谢！

Answer 1

问题是 feed_dict 必须与 numpy 数组兼容。

您的代码会产生这样的结果

np.array(<tf.Tensor 'Slice_5:0' shape=(5, 5) dtype=float32>, dtype=np.float32)

在 numpy 中失败并出现上述神秘错误。要修复它，您需要将 Tensor 转换为 numpy，如下所示

for step in range(100):

    # Slice correct labels for current batch
    y_ = tf.slice(y_label_all,[step,0],[images_per_batch,5])
    y0 = sess.run([y_])

    # Train
    _, loss_value = sess.run([train_step,loss],feed_dict={y_label:y0})