Question

我正面临着tensorFlow的麻烦。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

我收到以下错误：

ValueError：没有为任何变量提供渐变，检查图表中不支持渐变的ops，变量之间['Tensor（“Variable / read：0”，shape =（784,10），dtype = float32）'，'Tensor（“Variable_1 / read：0”，shape =（10，），dtype = float32）']和丢失Tensor（“Mean：0”，shape =（），dtype = float32）。

Answer 1

此问题是由以下行引起的：tf.nn.softmax_cross_entropy_with_logits(labels=activation, logits=Y)

基于documentation你应该

标签：每行标签[i]必须是有效的概率分布。

logits：非标定日志概率。

因此logits假设是你的假设，因此等于activation，有效概率分布为Y。所以只需使用tf.nn.softmax_cross_entropy_with_logits(labels=Y, logits=activation)

进行更改即可

Answer 2

我之所以来到这里，是因为我已将输入 X 数据传递给模型，但未将预期输出传递给模型。我有：

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

我应该有：

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

ValueError：没有为任何变量提供渐变

2 个答案: