TensorFlow 2.4中使用tf.placeholder声明占位符报TensorShape转换错误

• 直接触发原因：你代码中传入tf.placeholder的shape参数里，num_input的实际值类型为numpy.float64（从报错信息可看到对应值为8.0）。TensorFlow在解析张量shape时，对每个维度的取值有严格类型要求：仅接受整数、None，或是实现了__index__方法可转换为整数的类型，哪怕浮点值刚好等于整数（如8.0），也无法通过类型校验，因此直接抛出类型不匹配的错误。该报错和你使用的PyCharm IDE、Python 3.8.5运行版本没有直接关联，本质是API参数类型不匹配导致的。
• 环境层面的放大原因：你使用的TensorFlow 2.4属于2.x版本分支，本身已经默认启用Eager执行模式，tf.placeholder是1.x时代的旧API，在2.x环境下调用时，参数校验逻辑比1.x版本严格，不会隐式将浮点类型的维度值自动转换为整数，这也是很多1.x风格代码在2.x环境下运行时触发该类报错的常见原因。
• 高频踩坑场景：多数情况下num_input会出现浮点类型，是因为计算输入尺寸时使用了浮点数除法而非整数除法，例如写为num_input = 数据集.shape[特征列数] / 缩放系数时，即使计算结果刚好整除，Python的/运算符也会返回浮点类型，若这个值来自numpy数组的属性，最终类型就会变成numpy.float64，刚好匹配报错的类型特征。

快速验证方法：在tf.placeholder调用行之前插入print(type(num_input), num_input)，即可确认该变量当前的实际类型与取值。

内容的提问来源于stack exchange，提问作者Fatima_Ali