您必须为占位符张量“x”提供一个值

Question

我在这里有点受阻。 我对 tensorflow 并不陌生，即使我没有用它做很多工作。 但这是我的问题：

我想将文本分为 7 个不同的类别，为此我使用 tfidf 方法将字符串转换为数字。 在那里，我将稀疏矩阵转换为密集矩阵，这给了我一个形状为 (179, 482) 的二维矩阵。 我将它分成 150 个 obs 训练集和 29 个 obs 测试集。 然后，我将模型设置如下：

'''
-------------------------------------------------------------------------
Convolution 2D avec RELU
-------------------------------------------------------------------------
''' 
def conv1d(x, W, b, name_conv, name_bias, name_relu, strides=1):
    tensor = tf.nn.conv1d(x, W, strides, padding="SAME", name=name_conv)
    tensor = tf.nn.bias_add(tensor,b, name=name_bias)
    return tf.nn.relu(tensor, name=name_relu)

'''
-------------------------------------------------------------------------
Pooling max
-------------------------------------------------------------------------
''' 
def maxpool2d(x, name, k=2):
    return tf.nn.max_pool(x, [1, k, k, 1], [1, k, k, 1], padding="SAME", name=name)


'''
-------------------------------------------------------------------------
Modele du reseau convolutif :
CONV1-RELU-CONV2-RELU-FCL-Prediction
-------------------------------------------------------------------------
'''
def conv_net(x, poids, biais):
    # Mise en forme de l'image d'entree
    x = tf.reshape(x, shape=[-1, 482, 1])

    conv1 = conv1d(x, poids['wconv1'], biais['bconv1'], name_conv='conv1', name_bias='bias1', name_relu='relu1')
    #conv1 = maxpool2d(conv1, k=2, name='pool1')

    conv2 = conv1d(conv1, poids['wconv2'], biais['bconv2'], name_conv='conv2', name_bias='bias2', name_relu='relu2')
    #conv2 = maxpool2d(conv2, k=2, name='pool2')

    # Mise en forme des activations de la seconde couche cachee pour l'entree de la couche completement connectee
    fcl = tf.reshape(conv2, [-1, poids['wfcl'].get_shape().as_list()[0]], name='reshape')
    fcl = tf.add(tf.matmul(fcl, poids['wfcl']), biais['bfcl'], name='fcl')
    fcl = tf.nn.relu(fcl, name='relu3')

    # Dropout 
    #fcl = tf.nn.dropout(fcl, dropout, name='dropout')

    # Couche de sortie
    out = tf.add(tf.matmul(fcl, poids['out']), biais['out'], name='out')

    return out

if __name__ == '__main__':
    ''' 
    -------------------------------------------------------------------------
    Parametres du reseau
    -------------------------------------------------------------------------
    '''
    learning_rate = 0.00001
    num_epochs = 10
    batch_size = 1
    dropout = 0.75 # ici probabilite de garder le neurone

    logs_path = "tensorflow_logs"

    data, targets = getData() 
    data = np.float32(data)
    targets = np.float32(targets)

    x_train = data[:150]
    y_train = targets[:150]

    x_test = data[150:]
    y_test = targets[150:]

    num_examples = x_train.shape[0] 
    num_input =x_train.shape[1]
    num_classes = y_train.shape[1]

    # Affichage des informations par pas de temps
    display_step = 10

    # Espaces reserves qui vont etre remplis par les tenseurs representant l'ensemble des images et des labels lors de l'apprentissage
    x = tf.placeholder(tf.float32, [None, num_input], name='data')
    y = tf.placeholder(tf.float32, [None, num_classes], name='labels')
    #keep_prob = tf.placeholder(tf.float32, name='keep_prob')   

    #Stockage des poids et biais dans des variables TF
    '''
    TODO : initialiser avec une loi normale des variables tensorFlow :
        - wconv1 et bcconv1 pour CONV1. wconv1 est un banc de 32 filtres 5*5*1. bconv1 a une taille adaptee
        - wconv2 et bconv2 pour CONV2. wcconv2 est un banc de 32 filtres 5*5*32*64. bconv2 a une taille adaptee
        - wfcl et bfcl pour la couche completement connectee : wfcl est un banc de filtres 7*7*64 a 1024 sorties. bfcl a une taille adaptee
        - out (poids et biais) ont une taille adaptee pour la classification des donnees MNIST
    '''

    poids = {
            'wconv1': tf.Variable(tf.random_normal([5, 1, 32])),
            'wconv2': tf.Variable(tf.random_normal([5, 32, 64])),
            'wfcl': tf.Variable(tf.random_normal([64, 1024])),
            'out': tf.Variable(tf.random_normal([1024, num_classes]))
    }

    biais = {
            'bconv1': tf.Variable(tf.random_normal([32])),
            'bconv2': tf.Variable(tf.random_normal([64])),
            'bfcl': tf.Variable(tf.random_normal([1024])),
            'out': tf.Variable(tf.random_normal([num_classes]))
    }

    # Construction du modele
    pred = conv_net(x, poids, biais)
    print(pred.shape)

    # Fonction de perte et procedure d'optimisation
    #TODO : entropie croisee avec logits, algorithme d'optimisation ADAM
    cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=pred, labels=y))
    optimizer = tf.train.AdamOptimizer(learning_rate=learning_rate).minimize(cost)

    # Evaluation du modele
    correct_pred = tf.equal(tf.argmax(pred, 1), tf.argmax(y, 1))
    accuracy = tf.reduce_mean(tf.cast(correct_pred, tf.float32))

    # Initialisation des variables
    init = tf.global_variables_initializer()

    tf.summary.scalar("cost", cost)
    tf.summary.scalar("accuracy", accuracy)

    merged_summary_op = tf.summary.merge_all()

    # Creation d'une session TF pour executer le programme
    with tf.Session() as sess:
        sess.run(init)

        train_writer = tf.summary.FileWriter(logs_path  + '/train', graph=tf.get_default_graph())
        test_writer = tf.summary.FileWriter(logs_path + '/test', graph=tf.get_default_graph())

        # Entrainement
        total_batch = int(num_examples/batch_size)
        for epoch in range(num_epochs):
            # Entrainement sur les batchs d'images
            for step in range (total_batch):
                perm = np.arange(num_examples)
                np.random.shuffle(perm)
                indices = perm[0:batch_size]
                batch_x = x_train[indices]
                batch_y = y_train[indices]
                _, summary = sess.run([optimizer, merged_summary_op], feed_dict={x: batch_x,
                                                 y: batch_y})
                train_writer.add_summary(summary, epoch*total_batch+step)
                if step % display_step == 0:
                    loss, acc, summaryt = sess.run([cost, accuracy, merged_summary_op], feed_dict={x: batch_x,
                                                                     y: batch_y})
                    test_writer.add_summary(summaryt, epoch*total_batch+step)
                    print("Iteration " + str(epoch * total_batch + step) + ", Precision  = " + "{:.5f}".format(acc))

        # Test

        print("Test:", sess.run(accuracy, feed_dict={x: x_test,
                                                     y: y_test}))

当我保留我的摘要时，我收到了这个错误：

InvalidArgumentError（有关回溯，请参见上文）：您必须为占位符张量“数据”提供一个值，其 dtype 为浮点数和形状 [?,482]

所以，我有点迷路了，因为当我删除以下摘要时：

for step in range (total_batch):
            perm = np.arange(num_examples)
            np.random.shuffle(perm)
            indices = perm[0:batch_size]
            batch_x = x_train[indices]
            batch_y = y_train[indices]
            sess.run([optimizer], feed_dict={x: batch_x,
                                             y: batch_y})
            #train_writer.add_summary(summary, epoch*total_batch+step)
            if step % display_step == 0:
                loss, acc = sess.run([cost, accuracy], feed_dict={x: batch_x,
                                                                 y: batch_y})
                #test_writer.add_summary(summaryt, epoch*total_batch+step)
                print("Iteration " + str(epoch * total_batch + step) + ", Precision  = " + "{:.5f}".format(acc))

我的模型正在学习（它几乎什么都没学到，但它仍在做某事）

谁能看到我做错了什么？ 我必须承认，我一直使用 4D 数组，主要用于图像识别，所以这个案例对我来说是新的。

感谢任何能回答我问题的好心人。

附：对不起法国cmets，但我相信你仍然可以理解代码

Answer 1

好的，有件事我忘了说：我正在使用 Spyder。

错误一定来自那里，因为我直接在 Ubuntu 的控制台中执行了我的程序，一切正常。

在这里关闭它。