TensorFlow兼容v1版手写数字识别网络fetch参数为None报错求助

1. 统一使用V1兼容的Summary API #

将所有tf.summary.scalar替换为tf1.summary.scalar，确保summary节点注册到V1计算图中。

2. 调整代码执行顺序 #

必须在定义完accuracy、loss等核心张量之后，再创建summary并执行merge_all()。

3. 验证Summary有效性 #

在merge_all()后添加断言，提前排查问题：

merged_summary = tf1.summary.merge_all()
assert merged_summary is not None, "No summary operations found! Check if accuracy/loss are defined before creating summaries."

import tensorflow.compat.v1 as tf1
tf1.disable_eager_execution()
tf1.disable_v2_behavior()

# --------------------------
# 第一步：先定义模型的核心计算图
# --------------------------
# （根据你的课程内容补充模型定义，示例如下）
X = tf1.placeholder(tf1.float32, [None, 784]) # MNIST输入
Y = tf1.placeholder(tf1.float32, [None, 10])

# 模型参数
W = tf1.Variable(tf1.zeros([784, 10]))
b = tf1.Variable(tf1.zeros([10]))

# 模型输出与损失计算
logits = tf1.matmul(X, W) + b
loss = tf1.reduce_mean(tf1.nn.softmax_cross_entropy_with_logits_v2(labels=Y, logits=logits))
train_step = tf1.train.GradientDescentOptimizer(0.01).minimize(loss)

# 准确率计算
correct_pred = tf1.equal(tf1.argmax(logits, 1), tf1.argmax(Y, 1))
accuracy = tf1.reduce_mean(tf1.cast(correct_pred, tf1.float32))

# --------------------------
# 第二步：创建Summary（必须在模型定义之后）
# --------------------------
tf1.summary.scalar('accuracy', accuracy)
tf1.summary.scalar('cost', loss)

merged_summary = tf1.summary.merge_all()
# 验证summary是否有效
assert merged_summary is not None, "Failed to create merged summary!"

# --------------------------
# 后续会话初始化与训练代码保持不变
# --------------------------
sess = tf1.Session()
directory = "./logs" # 替换为你的日志路径
train_writer = tf1.summary.FileWriter(directory + '/train')
train_writer.add_graph(sess.graph)

init = tf1.global_variables_initializer()
sess.run(init)

# ... （批量数据函数与训练循环代码保持不变）

• 确保directory变量已被正确定义为有效路径，否则FileWriter无法写入日志。
• 训练循环中，最后一次sess.run使用的feed_dictionary是最后一批数据的，若想验证整个训练集准确率，需单独计算。

内容的提问来源于stack exchange，提问作者astroguy