我正在玩Tensorflow Build 线性回归的例子，我的代码如下：
import numpy as np
import tensorflow as tf
train_X = np.asarray([3.3,4.4,5.5,6.71,6.93,4.168,9.779,6.182,7.59,2.167,7.042,10.791,5.313,7.997,5.654,9.27,3.1])
train_Y = np.asarray([1.7,2.76,2.09,3.19,1.694,1.573,3.366,2.596,2.53,1.221,2.827,3.465,1.65,2.904,2.42,2.94,1.3])
n_samples = train_X.shape[0]
batch_size = 100
total_epochs = 50
X = tf.placeholder('float')
y = tf.placeholder('float')
W = tf.Variable(np.random.randn(), name="weights")
b = tf.Variable(np.random.randn(), name="bias")
y_pred = tf.add(tf.mul(X, W), b)
cost = tf.reduce_sum(tf.pow(y_pred-y, 2))/(2*n_samples) #L2 loss
optimizer = tf.train.AdamOptimizer().minimize(cost) #Gradient
init = tf.initialize_all_variables()
with tf.Session() as sess:
sess.run(init)
print("Initia values for W and b: ", W.eval(), b.eval())
for _ in range(total_epochs):
sess.run(optimizer, feed_dict={X: x, y: y})
print("Value for W and b after GD: ", W.eval(), b.eval())
但是，运行上面的代码会给我这个错误：
---------------------------------------------------------------------------
TypeError Traceback (most recent call last)
<ipython-input-11-185d8e05cbcd> in <module>()
28 for _ in range(total_epochs):
29 for (x, y) in zip(train_X, train_Y):
---> 30 sess.run(optimizer, feed_dict={X: x, y: y})
31 print("Value for W and b after GD: ", W.eval(), b.eval())
/home/ubuntu/anaconda2/lib/python2.7/site-packages/tensorflow/python/client/session.pyc in run(self, fetches, feed_dict, options, run_metadata)
338 try:
339 result = self._run(None, fetches, feed_dict, options_ptr,
--> 340 run_metadata_ptr)
341 if run_metadata:
342 proto_data = tf_session.TF_GetBuffer(run_metadata_ptr)
/home/ubuntu/anaconda2/lib/python2.7/site-packages/tensorflow/python/client/session.pyc in _run(self, handle, fetches, feed_dict, options, run_metadata)
540 except Exception as e:
541 raise TypeError('Cannot interpret feed_dict key as Tensor: '
--> 542 + e.args[0])
543
544 if isinstance(subfeed_val, ops.Tensor):
TypeError: Cannot interpret feed_dict key as Tensor: Can not convert a float64 into a Tensor.
经过深入挖掘后，我意识到错误在这里：
feed_dict={X: x, y: y}
键值对使用的是相同的（'y'和'y'） . 如果我将其更改为Y：y，并相应地修改其余部分：
Y = tf.placeholder('float')
cost = tf.reduce_sum(tf.pow(y_pred-Y, 2))/(2*n_samples) #L2 loss
sess.run(optimizer, feed_dict={X: x, Y: y})
代码将完美运行 .
我很想知道为什么我不能在feed_dict中使用相同的符号作为键值对？左边的“y”（键）是否应该参考上面的成本函数中的“y”？
3 回答
将
sess.run(optimizer, feed_dict={X: x, y: y})更改为sess.run(optimizer, feed_dict={X: train_x, y: train_y}). fedd_dict的值是您要提供给优化器的实际输入 .有时您会反复检查和编辑，但会再次出错 .
您可以从顶部运行代码（将tensorflow导入为tf）再到最后，也许您可以解决问题
feed_dict参数是一个需要Tensor作为键的字典 . 在您更正的示例中，X和Y是那些张量 .但是，如果您使用
X或Y作为另一个变量的名称，您将覆盖初始张量，X或Y将不再对应于图表中的张量 . Tensorflow无法理解您是否已覆盖图中的节点 .简而言之，您尝试对两个不同的变量使用相同的名称，这是不可能的 .