我在过去三天里一直尝试训练一个简单的卷积神经网络（CNN）。
首先，我设置了一个输入管道/队列配置，用于从目录树中读取图像并准备批次。
我从这个链接获取了这段代码。因此，我现在有了train_image_batch和train_label_batch，我需要将它们输入到我的CNN中。
train_image_batch, train_label_batch = tf.train.batch( [train_image, train_label], batch_size=BATCH_SIZE # ,num_threads=1 )但我不知道该如何操作。我使用了这个链接中提供的CNN代码。
# 输入层input_layer = tf.reshape(train_image_batch, [-1, IMAGE_HEIGHT, IMAGE_WIDTH, NUM_CHANNELS])# 卷积层 #1conv1 = new_conv_layer(input_layer, NUM_CHANNELS, 5, 32, 2) # 池化层 #1pool1 = new_pooling_layer(conv1, 2, 2)打印input_layer时显示如下
Tensor(“Reshape:0”, shape=(5, 120, 120, 3), dtype=uint8)
下一行代码在执行时崩溃，报出TypeError错误；conv1 = new_conv_layer(…)。new_conv_layer函数的具体内容如下
def new_conv_layer(input, # 前一层。 num_input_channels, # 前一层中的通道数。 filter_size, # 每个滤波器的宽度和高度。 num_filters, # 滤波器的数量。 stride):# 卷积的滤波器权重的形状。# 此格式由TensorFlow API决定。shape = [filter_size, filter_size, num_input_channels, num_filters]# 使用给定形状创建新的权重，即滤波器。weights = tf.Variable(tf.truncated_normal(shape, stddev=0.05))# 为每个滤波器创建新的偏置。biases = tf.Variable(tf.constant(0.05, shape=[num_filters]))# 创建卷积的TensorFlow操作。# 注意所有维度的步长都设置为1。# 第一个和最后一个步长必须始终为1，# 因为第一个是针对图像编号的，# 最后一个是针对输入通道的。# 例如，strides=[1, 2, 2, 1]表示滤波器# 在图像的x轴和y轴上移动2个像素。# padding设置为'SAME'，这意味着输入图像# 用零填充，因此输出的大小与输入相同。layer = tf.nn.conv2d(input=input, filter=weights, strides=[1, stride, stride, 1], padding='SAME')# 将偏置值添加到卷积结果中。# 每个滤波器通道都添加一个偏置值。layer += biases# 整流线性单元（ReLU）。# 它对每个输入像素x计算max(x, 0)。# 这为公式增加了一些非线性，允许我们# 学习更复杂的函数。layer = tf.nn.relu(layer)# 注意ReLU通常在池化之前执行，# 但由于relu(max_pool(x)) == max_pool(relu(x))，我们可以# 通过先进行最大池化来节省75%的ReLU操作。# 我们返回结果层和滤波器权重，# 因为我们稍后会绘制权重。return layer, weights具体来说，它在tf.nn.conv2d处崩溃，报出以下错误
TypeError: 传递给参数 ‘input’ 的值的数据类型为 uint8，不在允许的值列表中：float16, float32
回答：
你的输入管道中的图像类型为 ‘uint8’，你需要将其类型转换为 ‘float32’，你可以在图像jpeg解码器之后执行此操作：
image = tf.image.decode_jpeg(...image = tf.cast(image, tf.float32)