使用reshape和flatten后，TensorFlow feed_dict仍报numpy数组不可哈希错误

嘿，这个错误我太熟了！咱们直接点破问题核心：

错误根源 #

你在feed_dict里犯了一个典型的混淆错误——把numpy数组x2当成了键，但TensorFlow的feed_dict要求键必须是TensorFlow的tf.placeholder（或其他可馈送的Tensor对象），而numpy数组是不可哈希（unhashable）的类型，所以才会抛出这个错误。

简单来说：

• tf.placeholder是模型定义时预留的「输入插槽」
• numpy数组是你要喂进这个插槽的实际数据
  你现在相当于把「数据」直接往「插槽的位置」上怼，完全搞反了两者的角色。

另外你的代码还有个小坑：y_embedding = np.reshape(tf.nn.embedding_lookup(W, y), [1,-1])这里用了np.reshape处理TensorFlow张量，这是不对的——TensorFlow张量得用TensorFlow自己的tf.reshape来操作，不能混用numpy的函数。

修正后的代码示例 #

我帮你把核心错误点修正了，你可以参考这个结构：

import nltk
import numpy as np
import tensorflow as tf

sent_toks = nltk.sent_tokenize(ctxt)
x2 = np.array(list(vocab_processor.transform(sent_toks)))
y_data = np.array(list(vocab_processor.transform(<some other string>)))

def NHIDDEN(): return 1
def NINPUT(): return 50
vocab_size = len(vocab_processor.vocabulary_)  # 假设你有这个词汇表大小

g = tf.Graph()
tf.reset_default_graph()
with g.as_default():
    # 第一步：定义模型的输入占位符！这是解决错误的关键
    x_ph = tf.placeholder(tf.int32, shape=[-1, NINPUT()], name="input_x")
    y_ph = tf.placeholder(tf.int32, shape=[None], name="input_y")

    # 假设W是你的嵌入矩阵（预训练或随机初始化）
    W = tf.Variable(tf.random_uniform([vocab_size, NINPUT()], -1.0, 1.0), name="embedding_matrix")

    # 正确处理y的嵌入：用tf.reshape而非np.reshape
    y_embedding = tf.reshape(tf.nn.embedding_lookup(W, y_ph), [1, -1])

    # 这里补上你原来的模型结构（RNN层、损失函数、优化器等）
    # 比如：
    # rnn_cell = tf.nn.rnn_cell.BasicRNNCell(NHIDDEN())
    # outputs, _ = tf.nn.dynamic_rnn(rnn_cell, x_ph, dtype=tf.float32)
    # pred = ...  # 你的预测层
    # cost = ...  # 你的损失函数
    # optimizer = tf.train.AdamOptimizer().minimize(cost)

    with tf.Session(graph=g) as sess:
        # 别忘了初始化所有变量！
        sess.run(tf.global_variables_initializer())
        
        step = 0
        loss_total = 0.0
        training_iters = 1
        
        while step < training_iters:
            # 预处理数据成符合占位符的形状
            x_processed = np.reshape(x2.flatten(), [-1, NINPUT()])
            
            # 关键：feed_dict的键是占位符，值是numpy数组
            _, loss, pred_ = sess.run([optimizer, cost, pred], 
                                     feed_dict={x_ph: x_processed, y_ph: y_data})
            
            loss_total += loss
            print(f"loss = {loss_total:.6f}")
            step += 1
        
        print("Finished Optimization")

核心注意点 #

• 永远记得先定义tf.placeholder作为模型的输入接口，feed_dict的键只能是这些占位符（或TensorFlow生成的张量）
• 区分清楚「模型的输入节点」和「要喂入的数据」：前者是TensorFlow对象，后者是numpy数组
• 在TensorFlow的图定义阶段，所有张量操作都要用TensorFlow的API，别混用numpy的函数

内容的提问来源于stack exchange，提问作者johnsmith