为什么x需要是float类型？为什么不能是int类型呢？我传递的是一个int类型的列表啊？
代码：
x = tf.placeholder(tf.float32, shape=[None, 1]) # 为什么必须是float类型？
y = tf.placeholder(tf.int32, shape=[None, 2])
with tf.name_scope("network"):
layer1 = tf.layers.dense(x, 100, activation=tf.nn.relu, name="hidden_layer")
output = tf.layers.dense(layer1, 2, name="output_layer")
with tf.name_scope("loss"):
xentropy = tf.nn.softmax_cross_entropy_with_logits(labels=y, logits=output)
loss = tf.reduce_mean(xentropy, name="loss")
with tf.name_scope("train"):
optimizer = tf.train.AdamOptimizer()
training_op = optimizer.minimize(loss)
with tf.name_scope("eval"):
with tf.Session() as sess:
for i in range(1, 50):
sess.run(tf.global_variables_initializer())
saver = tf.train.Saver()
sess.run(training_op, feed_dict={x: np.array(train_data).reshape([-1, 1]), y: label})
if i % 10 == 0:
saver.save(sess, "saved_models/testing")
print "Saved"当我将其改为tf.int32时，会出现以下错误：
TypeError: Value passed to parameter 'features' has DataType int32 not in list of allowed values: float16, float32, float64如果需要，我可以提供更多代码。
回答：
这是因为tf.nn.softmax_cross_entropy_with_logits的要求：
logits和labels必须具有相同的形状[batch_size, num_classes]以及相同的dtype（可以是float16, float32, 或float64）。
我认为你可以用整数输入计算损失。然而，大多数情况下，这个损失是通过梯度下降来最小化的——就像你所做的那样——这意味着输入需要编码实数以获得任意更新。
问题在于tf.layers.dense不会改变你的输入类型。所以如果它的输入是整数，它将产生一个整数输出。（至少如果激活函数与整数兼容，比如relu——sigmoid会引发错误）。
你可能想要做的是提供整数输入，然后在tf.float32中进行所有计算。要做到这一点，首先将你的输入转换为float类型，然后再提供给dense：
layer1 = tf.layers.dense(tf.to_float(x), 100, activation=tf.nn.relu, name="hidden_layer")