我在学习代码时遇到了一些问题，因为执行时返回了以下错误

错误

   Traceback (most recent call last):File "tf_apprentissage/main.py", line 109, in <module>f_de_x = model(x)  # 用于确定图像是什么 (y = f(x) )File "tf_apprentissage/main.py", line 91, in modelc9 = dense(c7, (-1,100, 2))File "tf_apprentissage/main.py", line 61, in densew = tf.Variable(tf.truncated_normal(forme, stddev=(2/n)**.5))  # 权重File "/home/etudiant/PycharmProjects/tf_apprentissage/lib/python3.5/site-packages/tensorflow/python/ops/random_ops.py", line 169, in truncated_normalstddev_tensor = ops.convert_to_tensor(stddev, dtype=dtype, name="stddev")File "/home/etudiant/PycharmProjects/tf_apprentissage/lib/python3.5/site-packages/tensorflow/python/framework/ops.py", line 836, in convert_to_tensoras_ref=False)File "/home/etudiant/PycharmProjects/tf_apprentissage/lib/python3.5/site-   packages/tensorflow/python/framework/ops.py", line 926, in internal_convert_to_tensorret = conversion_func(value, dtype=dtype, name=name, as_ref=as_ref)File "/home/etudiant/PycharmProjects/tf_apprentissage/lib/python3.5/site-packages/tensorflow/python/framework/constant_op.py", line 229, in _constant_tensor_conversion_functionreturn constant(v, dtype=dtype, name=name)File "/home/etudiant/PycharmProjects/tf_apprentissage/lib/python3.5/site-packages/tensorflow/python/framework/constant_op.py", line 208, in constantvalue, dtype=dtype, shape=shape, verify_shape=verify_shape))File "/home/etudiant/PycharmProjects/tf_apprentissage/lib/python3.5/site-packages/tensorflow/python/framework/tensor_util.py", line 383, in make_tensor_proto_AssertCompatible(values, dtype)File "/home/etudiant/PycharmProjects/tf_apprentissage/lib/python3.5/site-packages/tensorflow/python/framework/tensor_util.py", line 303, in _AssertCompatible(dtype.name, repr(mismatch), type(mismatch).__name__))TypeError: Expected float32, got (8.659560562354934e-17+1.4142135623730951j) of type 'complex' instead.

我是Tensorflow的新手，所以我不知道问题出在哪里，任何帮助我都会非常感激。

这段源代码的目标是识别单词，作为课堂项目的一部分，首先我们想要识别字母和数字。我之前从未做过任何机器学习项目，这是我第一次使用Tensorflow。我们使用手绘数字的图像作为输入，并带有标签。

我的代码是

    # -*- coding: utf-8 -*-    import tensorflow as tf    from PIL import Image    import numpy as np    import os    """    # 模型参数    W = tf.Variable([.3], dtype=tf.float32)    b = tf.Variable([-.3], dtype=tf.float32)    # 模型输入和输出    x = tf.placeholder(tf.float32)    linear_model = W * x + b    y = tf.placeholder(tf.float32)    # 损失    loss = tf.reduce_sum(tf.square(linear_model - y)) # 平方和    # 优化器    optimizer = tf.train.GradientDescentOptimizer(0.01)    train = optimizer.minimize(loss)    # 训练数据    x_train = [1, 2, 3, 4]    y_train = [0, -1, -2, -3]    # 训练循环    init = tf.global_variables_initializer()    sess = tf.Session()    sess.run(init) # 重置值为错误    for i in range(1000):      sess.run(train, {x: x_train, y: y_train})    # 评估训练准确性    curr_W, curr_b, curr_loss = sess.run([W, b, loss], {x: x_train, y: y_train})    print("W: %s b: %s loss: %s"%(curr_W, curr_b, curr_loss))    """    def conv(entree, noyaux):        n = noyaux[0]*noyaux[1]*noyaux[2]        W = tf.Variable(tf.truncated_normal(noyaux, stddev=(2/n)**.5))  # 随机权重（高斯分布）        b = tf.Variable(tf.zeros(noyaux[-1:]))  # 偏置        conv = tf.nn.conv2d(entree, W, [1, 1, 1, 1], 'SAME')+b        # entree = 我们的图像，        # W = 权重（我们的卷积核），        # [1,1,1,1] = 我们的卷积步长，        # 'SAME' 将在我们的矩阵周围添加零，以保持输出矩阵的大小相同        # 因此输出矩阵不会丢失信息        return tf.nn.relu(conv)  # 应用非线性激活函数    def pool(entree):        return tf.nn.max_pool(            entree,            [1, 2, 2, 1],            [1, 2, 2, 1],            'SAME'        )    def dense(entree, forme):        n = forme[0]        w = tf.Variable(tf.truncated_normal(forme, stddev=(2/n)**.5))  # 权重        b = tf.Variable(tf.zeros(forme[0]))        matmul = tf.matmul(entree, w)+b        return tf.nn.relu(matmul)    def model(entree):        c1 = conv(entree, (3, 3, 3, 16))        c2 = conv(c1, (3, 3, 16, 16))        c3 = pool(c2)        c4 = conv(c3, (3, 3, 16, 32))        # 解释第二个参数        # 3 -> 长度        # 3 -> 宽度        # 16->前一个3D矩阵的深度        # 32->下一个3D矩阵的深度        c5 = conv(c4, (3, 3, 32, 32))        c6 = pool(c5)        c7 = tf.reshape(c6, (-1, 16**2 * 32))  # 将我们的3D矩阵压平成一个向量        # c6 = 3D矩阵        # arg2 = 形状：        #         -1 : 唯一的解决方案        #          16**2 * 32 = 向量中的元素数量        c8 = dense(c7, (-1,16**2 * 32, 100))  # 矩阵乘法        c9 = dense(c8, (-1,100, 2))        return c9    def resize_img(img):        image_temp = Image.open(img)        image = tf.image.decode_png(content = image_temp, channels = 1, dtype = tf.float32)        image = tf.image.resize_images(image_temp,[64,64])        return image_temp    if __name__ == "__main__":        x = tf.placeholder(tf.float32, [None, 64, 64, 3])  # 将包含我们的图像        # tf.float32 -> 存储的数据类型        # 参数2 将是x的形状        # None -> 表示同时处理多张图像        # 64, 64, 3 -> 图像分辨率：3 = 深度        path_to_dataset = "Hnd/Img/"        f_de_x = model(x)  # 用于确定图像是什么 (y = f(x) )        y = tf.placeholder(tf.float32, [None, 2])  # 标签（图像的实际意义）        # 成本函数（计算我们想要的和我们得到的之间的距离）        cout = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=f_de_x, labels=y))        step = tf.train.AdamOptimizer(0.0001).minimize(cout)  # 最小化我们的成本（0.0001是任意的）        with tf.Session() as session:           session.run(tf.global_variables_initializer())           for dir in os.listdir(path_to_dataset):               for file in os.listdir(path_to_dataset + dir):                   image = resize_img(path_to_dataset+dir+"/"+file)                   session.run(step, feed_dict={x: image, y: dir})

回答：

w = tf.Variable(tf.truncated_normal(forme, stddev=(2/n)**.5))  # 权重

forme 似乎是一个复数，在上面的代码中你引用了 forme[0]，我猜这是复数的实部。而在上面的行中，forme 没有索引到复数的实部。

你是否想要这样：

w = tf.Variable(tf.truncated_normal(forme[0], stddev=(2/n)**.5))  # 权重

如果不是，请打印出 forme 的值，并验证它是否是你期望的。如果你不希望它是复数，请追踪这个问题。