使用简单的 tensorflow + tflearn 神经网络出现“无法输入形状值”错误答案

【问题标题】："Cannot feed value of shape" error with simple tensorflow + tflearn neural network使用简单的 tensorflow + tflearn 神经网络出现“无法输入形状值”错误
【发布时间】：2018-08-24 13:38:35
【问题描述】：

我见过一些人有类似的错误，但似乎没有一个与我有关，而且作为一个对 python 相对较新的人，这有点令人困惑。

我正在使用 Tensorflow + TFLearn 尝试制作一个非常简单的网络，可以根据类型、原产地和年份（不要问）预测鳄梨的价格，但它一直抛出错误：

Cannot feed value of shape (10, 500) for Tensor 'TargetsData/Y:0', which has shape '(?, 1)'

我将 n_class 设置为 500，因为我正在处理一些更高的数字，如果它太低，它会一直抛出错误，但据我了解不是这样，它与“形状”有关"，但我真的不知道那是什么意思。

我将粘贴我的完整代码，对不起，如果这是一个不好的问题/一个简单的问题，我只是对这一切很陌生，有点困惑。

data, labels = tflearn.data_utils.load_csv('avocado.csv',
                                               target_column=2,
                                               categorical_labels=True,
                                               n_classes=500,
                                               columns_to_ignore=[0,1,3,4,5,6,7,8,9,10])
    for type in data:
        if type[0] == "conventional":
            type[0] = 1
        else:
            type[0] = 0

    for place in data:
        if place[2] == "Albany":
            place[2] = 0
        elif place[2] == "Atlanta":
            place[2] = 1
        elif place[2] == "BaltimoreWashington":
            place[2] = 2
        elif place[2] == "Boise":
            place[2] = 3
        elif place[2] == "Boston":
            place[2] = 4
        elif place[2] == "BuffaloRochester":
            place[2] = 5
        elif place[2] == "California":
            place[2] = 6
        elif place[2] == "Charlotte":
            place[2] = 7

    #this goes on for a while, just converting strings to int to work 
    #with TFLearn

    print(data[0])
    # define the input layer
    # 3 because we have 3 columns in the data set (year, location, and type)
    net = tflearn.input_data(shape=[None, 3])

    # adding hidden layers
    net = tflearn.fully_connected(net, 32)
    net = tflearn.fully_connected(net, 32)

    # the output layer
    net = tflearn.fully_connected(net, 1, activation="softmax")

    net = tflearn.regression(net)

    # define model
    model = tflearn.DNN(net)

    # start training
    model.fit(data, labels, n_epoch=10, batch_size=10, show_metric=True)

提前感谢您的帮助，如果这是一个愚蠢的问题，再次抱歉。

【问题讨论】：

标签： python tensorflow tflearn

【解决方案1】：

您的示例代码以及问题描述似乎是关于回归的，但是您设置了 categorical_labels=True 和 n_classes=500 这会将鳄梨价格视为具有 500 个不同可能值的分类变量（而不是连续变量）。这会创建 500 个类 one-hot 向量，这些向量与网络的最后一层（它有一个输出节点而不是 500 个）不兼容。对于您的回归问题，您应该设置categorical_labels=False，您可以完全忽略n_classes。

【讨论】：