我正在尝试使用tflearn提供的DNN训练一些数据。我的data变量的形状为(6605, 32)，我的labels数据的形状为(6605,)，我将其重塑为(6605, 1) ...
# Target label used for training
labels = np.array(data[label], dtype=np.float32)
# Reshape target label from (6605,) to (6605, 1)
labels = tf.reshape(labels, shape=[-1, 1])
# Data for training minus the target label.
data = np.array(data.drop(label, axis=1), dtype=np.float32)
# DNN
net = tflearn.input_data(shape=[None, 32])
net = tflearn.fully_connected(net, 32)
net = tflearn.fully_connected(net, 32)
net = tflearn.fully_connected(net, 1, activation='softmax')
net = tflearn.regression(net)
# Define model.
model = tflearn.DNN(net)
model.fit(data, labels, n_epoch=10, batch_size=16, show_metric=True)
运行后我得到两个错误，第一个是......
ValueError：张量转换请求dtype int64 for Tensor with dtype int32：'Tensor（“strided_slice / stack_4：0”，shape =（1，），dtype = int32）'
第二个错误是......
在处理上述异常期间，发生了另一个异常：
TypeError：输入'strides'的'StridedSlice'Op的类型为int32，与参数'begin'的int64类型不匹配。
我无法弄清楚如何解决这个问题。因此，我采取的一种方法是将dtype和labels的{{1}}更改为data ...
int64但如果我这样做，我仍会得到同样的错误。我该如何解决这个问题？
答案 0 :(得分：1)
请注意，该错误指出了有关整数int64和int32的ValueError，因此所讨论的转换应该是int而不是float。
我在代码库中遇到过类似的情况，即无法更新张量流， 我正在生成导致int类型ValueError的索引。
如果无法升级tensorflow的版本，则可以强制转换为int32，例如：
new_var = tf.cast（old_var，tf.int32）
如果检查准确的行，就会发生错误，您应该找到罪魁祸首，将其抛弃，它应该可以工作。此解决方案应适用于int和float转换（使用tf.float32）。
答案 1 :(得分：0)
此错误似乎是由较早的tensorflow构建产生的。我使用...
更新了tensorflowpip3 install tensorflow --upgrade
这删除了int64错误。似乎在旧版本中投射 long 数据类型（例如int64）存在问题。
更新后，由于张量的形状，我得到了不同的错误......
形状必须是等级1，但是对于strided_slice＆＃39;是等级2。 （op：＆＃39; StridedSlice＆＃39;）输入形状：[6605,1]，[1,16]，[1,16]，[1]。
但这是另一个问题。