在使用tensorflow运行线性回归时得到TypeError。 ＆＃39; Op的类型为float64，与参数＆＃39;的float32类型不匹配。

Question

我对tensorflow很新。我用张量流进行了线性回归。 当我运行下面的代码时，我得到了类似的错误：

TypeError：输入＆＃39; y＆＃39; of＆＃39; Mul＆＃39; Op的类型为float64，与参数＆＃39; x＆＃39;。

的类型float32不匹配

花了几个小时但无法弄清楚原因。 哪里出错了？非常感谢帮助。非常感谢。

import tensorflow as tf
import numpy as np

training_epoch = 1000
display_epoch=50
learning_rate = 0.01
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]
X = tf.placeholder('float')
Y= tf.placeholder ('float')
w = tf.Variable(np.random.randn(2))
pred = tf.add(tf.mul(X,w[0]), w[1])

loss = tf.reduce_sum(tf.pow(pred-Y, 2))/(2*n_samples)
init = tf.initialize_all_variables()
optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss)

with tf.Session() as session:
    session.run(init)
    for epoch in range(training_epoch):
        for x, y in zip(train_X, train_Y):
            session.run(optimizer, feed_dict={X:x, Y:y})
        if (epoch+1) % display_epoch == 0:
            weight = session.run(w)
            bias = session.run(b)
            cost = session.run(loss, feed_dict={X:train_X, Y:train_Y})
            print('epoch: {0:.2f}, weight: {1:.9f}. bias: {2:.9f}, cost: {3:.9f}'.format(epoch+1,weight[0], weight[1], cost))
    print('optimization complete')

Answer 1

TL; DR：占位符X和变量w具有不同的元素类型，而TensorFlow不会自动转换op参数，因此tf.mul()操作失败。

您的占位符X的类型为tf.float32，因为它被定义为dtype 'float'，其定义为“32位浮点”，在此行中：

X = tf.placeholder('float')

您的变量w的类型为tf.float64，因为它来自np.random.randn(2)，其dtype为np.float64，在此行中：

w = tf.Variable(np.random.randn(2))

最简单的解决方案是将w定义为类型tf.float32：

w = tf.Variable(np.random.randn(2).astype(np.float32))

或者，您可以将X定义为类型tf.float64：

X = tf.placeholder(tf.float64)

还有tf.cast()用于进行显式转换的操作，但我不建议使用它，因为它不可区分，因此会干扰计算渐变。

PS。一个更惯用的方法是使用tf.random_normal() op，这可以避免在图中放入大的常量：

w = tf.Variable(tf.random_normal([2]))

虽然对于小变量（如此处的2元素向量）并不重要，但对于更大的权重矩阵来说它变得更加重要。