TensorFlow实现MNIST时出现形状不匹配ValueError问题求助

嘿，这个错误我之前练MNIST手写识别的时候也踩过坑，咱们来捋清楚问题出在哪～

这个ValueError的核心就是数据形状不匹配：
你定义的占位符y是tf.placeholder(tf.float32, [None, 10])，意思是每个样本需要对应一个10维的one-hot编码向量（对应0-9十个数字类别）；但你喂给它的y_bat是(100,1)的形状，说明这是原始的单个整数标签（比如每个元素是0-9的数字），和y要求的形状对不上，所以报错了。

方法一：把标签转换成one-hot编码 #

你需要把create_batch返回的y_bat（形状(100,1)）转换成(100,10)的one-hot格式，这样就能匹配y的占位符了。可以用TensorFlow或者numpy来实现：

for i in range(100):
    x_bat, y_bat= create_batch(x_train, y_train, size=100)
    # 用TensorFlow的one_hot转换，注意要先把y_bat变成一维数组
    y_bat_onehot = tf.one_hot(y_bat.reshape(-1), depth=10).eval(session=s)
    # 或者用numpy实现：
    # import numpy as np
    # y_bat_onehot = np.eye(10)[y_bat.reshape(-1)]
    train_step = s.run(train, feed_dict={x: x_bat, y: y_bat_onehot})

方法二：改用稀疏版的交叉熵损失函数 #

TensorFlow提供了sparse_softmax_cross_entropy_with_logits，这个函数可以直接接受原始的整数标签，不需要转成one-hot，代码会更简洁：

# 先修改y的占位符，改成接受整数类型的一维数组
y = tf.placeholder(tf.int32, [None])
# 然后修改损失函数
activation = tf.nn.sparse_softmax_cross_entropy_with_logits(
    logits = tf.matmul(x, w) + b, 
    labels=y
)
# 后续训练的时候直接喂原始的y_bat就行，不用转换
for i in range(100):
    x_bat, y_bat= create_batch(x_train, y_train, size=100)
    # 注意如果y_bat是(100,1)的形状，要转成一维：y_bat.reshape(-1)
    train_step = s.run(train, feed_dict={x: x_bat, y: y_bat.reshape(-1)})

如果用方法二，记得把y的占位符类型改成tf.int32或者tf.int64，因为sparse_softmax_cross_entropy_with_logits要求标签是整数类型哦～

内容的提问来源于stack exchange，提问作者AashishKSahu