我已经在我的Pycharm中编写了以下代码，它在Tensorflow中执行完全连接层（FCL）。占位符发生了无效参数错误。因此我在占位符中输入了所有dtype、shape和name，但仍然得到无效参数错误。
我想通过FCL模型制作新的Signal（1，222）。
输入信号（1，222）=〉输出信号（1，222）

• maxPredict：查找输出信号中具有最高值的索引。
• calculate Y：获取maxPredict对应的频率数组值。
• loss：使用真实Y和计算Y之间的差值作为损失。
• loss = tf.绝对值（真Y-计算Y）′
  代码（发生错误）

x = tf.placeholder(dtype=tf.float32, shape=[1, 222], name='inputX')

错误
**InvalidArgumentError（请参阅上文的回溯）：您必须使用dtype float和shape [1，222]**tensorflow.python.framework.errors_impl.InvalidArgumentError为占位符Tensor'inputX'输入一个值：您必须为占位符Tensor'inputX'输入一个值，其dtype为浮点，shape为[1，222] {{node inputX}} =占位符dtype =DT_FLOAT，shape=[1，222]，_device="/job：localhost/replica：0/task：0/device：CPU：0”在处理上述异常的过程中，发生了另一个异常：

新错误案例

我更改了我的准则。
x = tf.placeholder(tf.float32, [None, 222], name='inputX')

错误案例1

tensorFreq = tf.convert_to_tensor(basicFreq, tf.float32)
newY = tf.gather(tensorFreq, maxPredict) * 60个
loss = tf.abs(y - tf.Variable(newY))个

值错误：initial_value必须具有指定的形状：Tensor（“mul：0”，形状=（？，），数据类型=浮点32）
错误案例2

tensorFreq = tf.convert_to_tensor(basicFreq, tf.float32)
newY = tf.gather(tensorFreq, maxPredict) * 60个
loss = tf.abs(y - newY)个
回溯（最近的呼叫排在最后）：文件“D：/PycharmProject/检测信号/TEST_FCL_StackOverflow.py”，第127行，在trainStep =选项最小化（丢失）文件“C：\用户\Heewony\Anaconda 3\envs\TSFW_pycharm\lib\站点包\tensorflow \python\培训\优化器. py”，第407行，在最小化（[str（v）for _，v in grads_and_vars]，丢失））中值错误：没有为任何变量提供梯度，请检查图形中是否存在不支持梯度的操作，在变量之间[tf.变量'变量：0'形状=（222，1024）dtype=float32_ref，tf.变量'变量_1：0'形状=（1024，）dtype=float32_re，......... tf.变量'变量_5：0'形状=（222，）dtype=float32_ref]和损失Tensor（“绝对值：0”，dtype= float 32）。

开发环境

• 操作系统平台和分发：Windows 10 x64操作系统
• TensorFlow安装自：水蟒
• tensorflow 版本1.12.0：
• Python 3.6.7：
• 移动的设备：不适用
• 要重现的确切命令：不适用
• GPU型号和内存：NVIDIA ® GeForce ®凌志™ CTX 1080钛处理器
• CUDA/CUDNN：9.0/7.4

型号和功能

def Model_FCL(inputX):
    data = inputX  # input Signals

    # Fully Connected Layer 1
    flatConvh1 = tf.reshape(data, [-1, 222])
    fcW1 = tf.Variable(tf.truncated_normal(shape=[222, 1024], stddev=0.05))
    fcb1 = tf.Variable(tf.constant(0.1, shape=[1024]))
    fch1 = tf.nn.relu(tf.matmul(flatConvh1, fcW1) + fcb1)

    # Fully Connected Layer 2
    flatConvh2 = tf.reshape(fch1, [-1, 1024])
    fcW2 = tf.Variable(tf.truncated_normal(shape=[1024, 1024], stddev=0.05))
    fcb2 = tf.Variable(tf.constant(0.1, shape=[1024]))
    fch2 = tf.nn.relu(tf.matmul(flatConvh2, fcW2) + fcb2)

    # Output Layer
    fcW3 = tf.Variable(tf.truncated_normal(shape=[1024, 222], stddev=0.05))
    fcb3 = tf.Variable(tf.constant(0.1, shape=[222]))

    logits = tf.add(tf.matmul(fch2, fcW3), fcb3)
    predictY = tf.nn.softmax(logits)
    return predictY, logits

def loadMatlabData(fileName):
    contentsMat = sio.loadmat(fileName)
    dataInput = contentsMat['dataInput']
    dataLabel = contentsMat['dataLabel']

    dataSize = dataInput.shape
    dataSize = dataSize[0]
    return dataInput, dataLabel, dataSize

def getNextSignal(num, data, labels, WINDOW_SIZE, OUTPUT_SIZE):
    shuffleSignal = data[num]
    shuffleLabels = labels[num]

    # shuffleSignal = shuffleSignal.reshape(1, WINDOW_SIZE)
    # shuffleSignal = np.asarray(shuffleSignal, np.float32)
    return shuffleSignal, shuffleLabels

def getBasicFrequency():
    # basicFreq => shape(222)
    basicFreq = np.array([0.598436736688, 0.610649731314, ... 3.297508549096])
    return basicFreq

图形

basicFreq = getBasicFrequency()
myGraph = tf.Graph()
with myGraph.as_default():
    # define input data & output data 입력받기 위한 placeholder
    x = tf.placeholder(dtype=tf.float32, shape=[1, 222], name='inputX') # Signal size = [1, 222]
    y = tf.placeholder(tf.float32, name='trueY') # Float value size = [1]

    print('inputzz ', x, y)
    print('Graph  ', myGraph.get_operations())
    print('TrainVariable ', tf.trainable_variables())

    predictY, logits = Model_FCL(x) # Predict Signal, size = [1, 222]
    maxPredict = tf.argmax(predictY, 1, name='maxPredict') # Find max index of Predict Signal

    tensorFreq = tf.convert_to_tensor(basicFreq, tf.float32)
    newY = tf.gather(tensorFreq, maxPredict) * 60   # Find the value that corresponds to the Freq array index
    loss = tf.abs(y - tf.Variable(newY))  # Calculate absolute (true Y - predict Y)
    opt = tf.train.AdamOptimizer(learning_rate=0.0001)
    trainStep = opt.minimize(loss)

    print('Graph  ', myGraph.get_operations())
    print('TrainVariable ', tf.trainable_variables())

会话

with tf.Session(graph=myGraph) as sess:
    sess.run(tf.global_variables_initializer())

    dataFolder = './'
    writer = tf.summary.FileWriter('./logMyGraph', sess.graph)
    startTime = datetime.datetime.now()

    numberSummary = 0
    accuracyTotalTrain = []
    for trainEpoch in range(1, 25 + 1):
        arrayTrain = []

        dataPPG, dataLabel, dataSize = loadMatlabData(dataFolder + "TestValues.mat")

        for i in range(dataSize):
            batchSignal, valueTrue = getNextSignal(i, dataPPG, dataLabel, 222, 222)
            _, lossPrint, valuePredict = sess.run([trainStep, loss, newY], feed_dict={x: batchSignal, y: valueTrue})
            print('Train ', i, ' ', valueTrue, ' - ', valuePredict, '   Loss ', lossPrint)

            arrayTrain.append(lossPrint)
            writer.add_summary(tf.Summary(value=[tf.Summary.Value(tag='Loss', simple_value=float(lossPrint))]),
                               numberSummary)
            numberSummary += 1
        accuracyTotalTrain.append(np.mean(arrayTrain))
    print('Final Train : ', accuracyTotalTrain)

    sess.close()