Как использовать повышение:: обяжите в C++ / CLI связывать члена управляемого класса

У вас есть эта проблема, потому что аргументы, которые вы передали в tf.nn.softmax_cross_entropy_with_logits не то, что он хочет. Из документа tf.nn.softmax_cross_entropy_with_logits :

Типичный вариант использования - иметь логиты и метки формы [batch_size, num_classes], но поддерживаются более высокие измерения, с аргумент dim, определяющий размерность класса.

blockquote>

Таким образом, вы должны закодировать вашу цель в горячем виде перед подачей ее в нейронную сеть. Ниже приводится исполняемый код:

from sklearn import datasets
import random
import tensorflow as tf
import numpy as np
from sklearn.preprocessing import OneHotEncoder

wine=datasets.load_wine()
wine_data = wine.data
onehotencoder = OneHotEncoder()
wine_target = onehotencoder.fit_transform(wine.target[...,np.newaxis]).toarray()

def generate_batch(batch_size,wine):
    batch_x=[]
    batch_y=[]
    for _ in range(batch_size):
        index=random.randint(0,177)
        batch_y.append(wine_target[index])
        batch_x.append(wine_data[index])
    return batch_x,batch_y

def inference(x):
    with tf.variable_scope('layer1'):
        weight1 = tf.get_variable('weight', [13, 7], initializer=tf.truncated_normal_initializer(stddev=0.1))
        bias1 = tf.get_variable('bias', [7], initializer=tf.constant_initializer(0.1))
        layer1 = tf.nn.relu(tf.matmul(x, weight1) + bias1)
    weight2 =tf.get_variable('weight', [7, 3], initializer=tf.truncated_normal_initializer(stddev=0.1))
    bias2 = tf.get_variable('bias', [3], initializer=tf.constant_initializer(0.1))
    logit = tf.matmul(layer1, weight2) + bias2
    return logit

x=tf.placeholder(tf.float32,[None,13])
y_=tf.placeholder(tf.float32,[None, 3])
y=inference(x)

cross_entropy=tf.nn.softmax_cross_entropy_with_logits(labels=y_,logits=y)
cross_entropy_mean=tf.reduce_mean(cross_entropy)

train_step=tf.train.GradientDescentOptimizer(0.001).minimize(cross_entropy_mean)
correct_prediction = tf.equal(y ,y_)
accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))

with tf.Session() as sess:
    tf.global_variables_initializer().run()
    for i in range(2000):
        data,target=generate_batch(20,wine)
        sess.run(train_step,feed_dict={x:data,y_:target})