TensorFlow中MatMul数据类型不匹配报错：float与double张量冲突求解

问题原因分析 #

• 数据类型不匹配：你的input_data是numpy的float64（对应TensorFlow的double类型），但模型中初始化的权重w和偏置b默认是float32类型，矩阵乘法要求输入与权重的数据类型必须一致。
• 张量维度不兼容：input_data是一维数组（shape=(100,)），而tf.matmul要求输入为至少二维的张量，无法直接和shape=(1,1)的权重执行矩阵乘法。

修复方案 #

以下两种方案任选其一即可：

方案一：统一数据类型为float32 #

将输入数据转换为float32，与模型变量类型保持一致，同时调整输入维度为二维：

import tensorflow as tf
import numpy as np

input_data = np.random.uniform(low=0.0, high=1.0, size=100).astype(np.float32)  # 转换为float32
input_data = input_data.reshape(-1, 1)  # 调整为二维张量(100,1)

class ArtificialNeuron(tf.Module):
    def __init__(self):
        self.w = tf.Variable(tf.random.normal(shape=(1, 1)))  # 默认float32类型
        self.b = tf.Variable(tf.zeros(shape=(1,)))

    def __call__(self, x):
        return tf.sigmoid(tf.matmul(x, self.w) + self.b)

neuron = ArtificialNeuron()
output_data = neuron(input_data)
print(output_data.shape)  # 输出(100,1)

方案二：将模型变量设置为double类型 #

保持输入的float64类型，把模型中的变量也初始化为double类型，同时调整输入维度：

import tensorflow as tf
import numpy as np

input_data = np.random.uniform(low=0.0, high=1.0, size=100)
input_data = input_data.reshape(-1, 1)  # 调整为二维张量(100,1)

class ArtificialNeuron(tf.Module):
    def __init__(self):
        self.w = tf.Variable(tf.random.normal(shape=(1, 1), dtype=tf.float64))  # 指定double类型
        self.b = tf.Variable(tf.zeros(shape=(1,), dtype=tf.float64))

    def __call__(self, x):
        return tf.sigmoid(tf.matmul(x, self.w) + self.b)

neuron = ArtificialNeuron()
output_data = neuron(input_data)
print(output_data.shape)  # 输出(100,1)

关键说明 #

• tf.matmul对输入维度有严格要求：若第一个输入shape为(N, M)，第二个输入必须为(M, K)，输出为(N, K)。因此一维输入必须先通过reshape转换为二维。
• TensorFlow中float32是默认浮点类型，大部分场景下使用float32足够，还能节省内存与计算资源；仅需高精度计算时再选择float64（double）。

内容的提问来源于stack exchange，提问作者nicomp