Python 3.6下TensorFlow报错：需为float类型Placeholder张量提供值

这个报错我太熟了！本质就是你定义了一个float类型的占位符（Placeholder），但在运行计算图的时候没给它喂对应的数据，TensorFlow找不到输入自然就报错啦😉

下面是几种常见原因和对应的解决办法：

• 忘记在运行时传入feed_dict
  如果你用的是TensorFlow 1.x或者兼容模式，定义占位符后必须在session.run()里通过feed_dict参数传入数据。比如：

  import tensorflow as tf
  
  # 定义float类型占位符
  x = tf.compat.v1.placeholder(tf.float32, shape=[None])
  y = x * 3
  
  # 正确的运行方式：传入feed_dict
  with tf.compat.v1.Session() as sess:
      result = sess.run(y, feed_dict={x: [1.5, 2.0, 3.3]})
      print(result)
  

  要是你直接写sess.run(y)，没传feed_dict，就会触发你遇到的报错。

• 占位符 dtype 和喂入数据类型不匹配
  占位符定义的是tf.float32，但你喂了整数或者其他类型的数据，哪怕Python会自动转换，也可能触发问题。最好显式保证数据类型一致：

  # 错误示例：喂入整数列表
  # sess.run(y, feed_dict={x: [1,2,3]})
  
  # 正确示例：喂入float类型数据
  sess.run(y, feed_dict={x: [1.0, 2.0, 3.0]})
  # 或者用numpy数组指定dtype
  import numpy as np
  sess.run(y, feed_dict={x: np.array([1,2,3], dtype=np.float32)})
  

• 迁移到TF2.x时的习惯问题
  TensorFlow 2.x默认是即时执行模式（Eager Execution），不再依赖占位符。如果你还在沿用TF1.x的写法，不如改用更符合TF2.x风格的方式，比如直接用函数传参：

  import tensorflow as tf
  
  @tf.function
  def compute(x):
      return x * 3
  
  # 直接传入float类型张量
  input_data = tf.constant([1.5, 2.0, 3.3], dtype=tf.float32)
  result = compute(input_data)
  print(result.numpy())
  

  这种方式完全不需要占位符，也不会出现喂数据的问题。

• 漏喂多个占位符
  如果你定义了多个占位符，比如同时有x和y，那feed_dict里必须包含所有占位符的对应数据，不能只传其中一个。

内容的提问来源于stack exchange，提问作者toto