Ошибка в подаче dict TensorFlow с поплавковым вводом

dict / array ошибка при бросании

Слишком много кода и зависимостей для воспроизведения вашей проблемы. Мне кажется, что ваша ошибка может исходить из вашей функции parser(record), которая возвращает ваши изображения, завернутые в dict (c.f. {'image': image}, в то время как это не относится к вашему label). Так как epoch_x будет содержать элементы dict, Tensorflow (и numpy) не сможет преобразовать их в ожидаемый тип данных (тензор tf.float32, определение cf place place x), связанная с ошибкой.

Короче говоря, попробуйте заменить return {'image': image}, label на return image, label в вашем парсере.

API-интерфейс Densetet Tensorflow vs feed_dict

Как-то эта проблема сначала ускользнула от меня. Учитывая ваш входной конвейер на основе Tensorflow-Dataset, вы не должны использовать placeholder / feed_dict. Последние предназначены для передачи ваших данных на CPU в Tensorflow (предположительно на GPU). Это дублирование / преобразование входных данных, выполненных с помощью feed_dict, является значительным издержками, следовательно, разработка API-интерфейса Densetet Tensorflow, который замыкает все это путем чтения и преобразования ваших данных параллельно фактическим графическим прогонам. Другими словами, ваш epoch_x, epoch_y не должен быть подан в Tensorflow; они уже являются частью своего графика.

В принципе, ваш конвейер должен выглядеть примерно так:

train_dataset = read_image_dataset_tfrecordfile(my_filenames)
train_dataset = train_dataset.repeat() # if you want to loop indefinitely
train_iterator = train_dataset.make_one_shot_iterator()

x, y = train_iterator.get_next()
# x, y will represent your data batches, fed with the next ones every time 
# they are called.
# So you just use them directly instead of placeholders:
prediction = cnn(x) 
cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits_v2(
    logits=prediction, labels=y))
optimizer = tf.train.AdadeltaOptimizer().minimize(cost)
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())

    for epoch in xrange(num_epochs):
        epoch_loss = 0
        for _ in xrange(int(1020/batch_size)):
            _, c = sess.run([optimizer, cost])
            # ...