Python使用TensorFlow处理MNIST数据集报错'dict'无train属性如何解决

• 核心触发点：tensorflow_datasets.load('mnist')的返回值是Python字典，结构为{'train': 训练数据集, 'test': 测试数据集}，不存在名为train的对象属性，所以调用mnist.train时触发AttributeError。
• 额外兼容问题：当前代码使用的是TensorFlow 1.x的语法（placeholder、Session等），如果运行环境是TensorFlow 2.x，默认开启的动态图模式也会导致旧API无法正常调用。
• 其余隐藏bug：代码中未定义权重W和偏置b变量、标签占位符y的形状错误（10分类任务形状应为[None,10]而非[None,784]）、梯度下降优化器的学习率参数误写为0,2（应为0.2），这些问题不修复也会导致后续运行报错。

建议直接替换MNIST数据集加载方式为适配旧版TF逻辑的tf.keras.datasets.mnist，同时补全缺失代码、修正语法错误，修复后的完整可运行代码如下：

# 开启TF1.x兼容模式，适配旧版API
import tensorflow.compat.v1 as tf
tf.disable_v2_behavior()
import numpy as np

# 加载MNIST数据集，做预处理
(x_train, y_train), (x_test, y_test) = tf.keras.datasets.mnist.load_data()
# 归一化+展平图像为784维向量
x_train = x_train.reshape(-1, 784).astype('float32') / 255
x_test = x_test.reshape(-1, 784).astype('float32') / 255
# 标签转onehot编码
y_train = tf.keras.utils.to_categorical(y_train, 10)
y_test = tf.keras.utils.to_categorical(y_test, 10)

batch_size = 100
n_batch = x_train.shape[0] // batch_size

# 定义占位符
x = tf.placeholder(tf.float32, [None, 784])
y = tf.placeholder(tf.float32, [None, 10])
# 定义权重和偏置
W = tf.Variable(tf.zeros([784, 10]))
b = tf.Variable(tf.zeros([10]))
prediction = tf.nn.softmax(tf.matmul(x, W) + b)

# 定义损失函数
loss = tf.reduce_mean(tf.square(y - prediction))
# 梯度下降优化，修正学习率参数为0.2
train_step = tf.train.GradientDescentOptimizer(0.2).minimize(loss)

init = tf.global_variables_initializer()

# 计算准确率
correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(prediction, 1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))

# 训练逻辑
with tf.Session() as sess:
    sess.run(init)
    for epoch in range(21):
        for batch in range(n_batch):
            # 按批次取训练数据
            batch_xs = x_train[batch*batch_size : (batch+1)*batch_size]
            batch_ys = y_train[batch*batch_size : (batch+1)*batch_size]
            sess.run(train_step, feed_dict={x: batch_xs, y: batch_ys})
        # 每个epoch结束后计算测试集准确率
        acc = sess.run(accuracy, feed_dict={x: x_test, y: y_test})
        print("Iter " + str(epoch) + ", Testing accuracy " + str(acc))

内容的提问来源于stack exchange，提问作者Hermi