无法在张量流中创建自定义分类器答案

【问题标题】：Cannot create custom classifier in tensorflow无法在张量流中创建自定义分类器
【发布时间】：2017-03-17 21:09:44
【问题描述】：

到目前为止，这是我所做的：

import tensorflow as tf

dists_next_error = tf.placeholder(tf.float32)
dists_center_error = tf.placeholder(tf.float32)
pts_count = tf.placeholder(tf.float32)
ideal_polygon = tf.Variable(0.)

cost = tf.square(dists_next_error)      \
        + tf.square(dists_center_error) \
        + tf.square(pts_count - ideal_polygon)

optimizer = tf.train.GradientDescentOptimizer(.05).minimize(cost)

sess = tf.Session()
init = tf.global_variables_initializer()
sess.run(init)

hund_zeros = tf.zeros([100])
hund_ones = tf.ones([100])

for i in range(1000):
    sess.run(optimizer, feed_dict={
        dists_next_error: hund_zeros,
        dists_center_error: hund_zeros,
        pts_count: hund_ones})

print(cost.eval(feed_dict={
        dists_next_error: 0.,
        dists_center_error: 0.,
        pts_count: 6.}))         #it should output 0 or close to it.

问题出在

sess.run(optimizer, feed_dict={
        dists_next_error: hund_zeros,
        dists_center_error: hund_zeros,
        pts_count: hund_ones})

在pts_count 行更准确地说，它说：

TypeError：提要的值不能是 tf.Tensor 对象。可接受的提要值包括 Python 标量、字符串、列表或 numpy ndarray。

但我在 pts_count 中看不到张量，所以我不知道发生了什么。

【问题讨论】：

标签： python-3.x numpy tensorflow

【解决方案1】：

张量不能用作提要值（这你知道）； tf.ones(), tf.zeros 创建Tensors。所以，

hund_zeros = tf.zeros([100])
hund_ones = tf.ones([100])

只是张量。

您要做的是发送一些实际数字（这似乎是您的意图）。你可以使用：

numpy：np.ones([100]) 和 np.zeros([100])，
或使用hund_zeros, hund_ones = sess.run([hund_zeros, hund_ones])
使用Tensor.eval()方法

请参阅此处的答案以了解有关 eval() 的更多信息

以下是您提供的使用运行的with 上下文管理器更改的代码：

import tensorflow as tf

dists_next_error = tf.placeholder(tf.float32)
dists_center_error = tf.placeholder(tf.float32)
pts_count = tf.placeholder(tf.float32)
ideal_polygon = tf.Variable(0.)

cost = tf.square(dists_next_error)      \
        + tf.square(dists_center_error) \
        + tf.square(pts_count - ideal_polygon)

optimizer = tf.train.GradientDescentOptimizer(.05).minimize(cost)


hund_zeros = tf.zeros([100])
hund_ones = tf.ones([100])

sess = tf.Session()
init = tf.global_variables_initializer()

with tf.Session()  as sess:
    sess.run(init)

    # run graphs to get some constants
    hund_zeros, hund_ones = sess.run([hund_zeros, hund_ones])

    for i in range(1000):
        sess.run(optimizer, feed_dict={
            dists_next_error: hund_zeros,
            dists_center_error: hund_zeros,
            pts_count: hund_ones})

    print(cost.eval(feed_dict={
            dists_next_error: 0.,
            dists_center_error: 0.,
            pts_count: 6.}))

从这里开始。

【讨论】：