Ошибка типа Tensorflow: значение, переданное параметру 'shape', имеет DataType float32, не входящее в список допустимых значений: int32, int64

Question

Я пытаюсь создать DCGAN и im работать с этой ошибкой, когда я думаю, что я пытаюсь использовать линейный (метод):

Traceback (most recent call last): 
    File "spritegen.py", line 71, in <module> 
    tf.app.run() 
    File "/usr/local/lib/python2.7/dist-packages/tensorflow/python/platform/app.py", line 44, in run 
    _sys.exit(main(_sys.argv[:1] + flags_passthrough)) 
    File "spritegen.py", line 51, in main 
    cp_directory=FLAGS.checkpoint_dir) 
    File "/home/lewis/Documents/Sprite Generator/Sprite-Generator/dcgan.py", line 99, in __init__ 
    self.build() 
    File "/home/lewis/Documents/Sprite Generator/Sprite-Generator/dcgan.py", line 113, in build 
    self.G = self.generator(self.z) 
    File "/home/lewis/Documents/Sprite Generator/Sprite-Generator/dcgan.py", line 281, in generator 
    self.h0 = tf.reshape(self.z,[-1, sample_H16, sample_W16, self.gen_dimension * 8]) 
    File "/usr/local/lib/python2.7/dist-packages/tensorflow/python/ops/gen_array_ops.py", line 2630, in reshape 
    name=name) 
    File "/usr/local/lib/python2.7/dist-packages/tensorflow/python/framework/op_def_library.py", line 585, in apply_op 
    param_name=input_name) 
    File "/usr/local/lib/python2.7/dist-packages/tensorflow/python/framework/op_def_library.py", line 61, in _SatisfiesTypeConstraint 
    ", ".join(dtypes.as_dtype(x).name for x in allowed_list))) 
TypeError: Value passed to parameter 'shape' has DataType float32 not in list of allowed values: int32, int64 

Я считаю, что проблема заключается в одной из этих областей:

def generator(self, z): 
    with tf.variable_scope('generator') as scope: 

     sample_H = self.output_H 
     sample_W = self.output_W 

     sample_H2 = conv_out(sample_H,2) 
     sample_W2 = conv_out(sample_W,2) 

     sample_H4 = conv_out(sample_H2,2) 
     sample_W4 = conv_out(sample_W2,2) 

     sample_H8 = conv_out(sample_H4,2) 
     sample_W8 = conv_out(sample_W4,2) 

     sample_H16 = conv_out(sample_H8,2) 
     sample_W16 = conv_out(sample_W8,2) 
     # reshape 

     self.z_ = linear(self.z,self.gen_dimension * 8 * sample_H16 * sample_W16, 'gen_h0_lin', with_w=True) 


     self.h0 = tf.reshape(self.z_,[-1, sample_H16, sample_W16, self.gen_dimension * 8]) 
     h0 = tf.nn.relu(self.gen_batchnorm1(self.h0)) 

     self.h1 = deconv2d(h0, [self.batch_size, sample_H8, sample_W8, self.gen_dimension * 4], name='gen_h1', with_w=True) 
     h1 = tf.nn.relu(self.gen_batchnorm2(self.h1)) 

     h2 = deconv2d(h1, [self.batch_size, sample_H4, sample_W4, self.gen_dimension * 2], name='gen_h2', with_w= True) 
     h2 = tf.nn.relu(self.gen_batchnorm3(h2)) 

     h3 = deconv2d(h2, [self.batch_size, sample_H2, sample_W2, self.gen_dimension * 1], name='gen_h3', with_w= True) 
     h3 = tf.nn.relu(self.gen_batchnorm4(h3)) 

     h4 = deconv2d(h3, [self.batch_size, sample_H, sample_W, 3], name='gen_h4', with_w= True) 
     return tf.nn.tanh(h4) 

Это метод генератор, где я пытаюсь изменить тензор. Перед тем, что метод сборки называется, который устанавливает все заполнителей и другие переменные:

def build(self): 

    image_dimension = [self.input_H,self.input_H, 3] 

    self.inputs = tf.placeholder(tf.float32, shape=[self.batch_size] + image_dimension, name='real_images') 
    self.gen_inputs = tf.placeholder(tf.float32, shape=[self.sample_size] + image_dimension, name='sample_inputs') 
    inputs = self.inputs 
    sample_inputs = self.gen_inputs 

    self.z = tf.placeholder(tf.float32, shape=[None,self.z_dimension], name='z') 
    self.z_sum = tf.summary.histogram("z", self.z) 

    self.G = self.generator(self.z) 
    self.D = self.discriminator(inputs) 

    self.sampler = self.sampler(self.z) 
    self.dis_= self.discriminator(self.G, reuse=True) 

Наконец, это метод линейной() вызывается:

def linear(input_, output_size, scope=None, stddev=0.02, bias_start=0.0, with_w=False): 
    shape = input_.get_shape().as_list() 

    with tf.variable_scope(scope or "Linear"): 
     matrix = tf.get_variable("Matrix", [shape[1], output_size], tf.float32, tf.random_normal_initializer(stddev=stddev)) 
     bias_term = tf.get_variable("bias", [output_size], initializer=tf.constant_initializer(bias_start)) 
     if with_w: 
      return tf.matmul(input_, matrix) + bias_term, matrix 
     else: 
      return tf.matmul(input_, matrix) + bias_term 

Im относительно новым tensorflow так любое объяснение было бы здорово! Благодарю.

EDIT: попробовал изменить self.z на int32. Я получаю эту ошибку:

TypeError: Input 'b' of MatMul Op has type float32 that does not match type int32 of argument 'a' 

Answer 1

ошибка возникает в следующей строке:

self.h0 = tf.reshape(self.z,[-1, sample_H16, sample_W16, self.gen_dimension * 8]) 

вы, вероятно, только придется привести в целое параметры, которые не могут быть:

self.h0 = tf.reshape(self.z,[-1, sample_H16, sample_W16, int(self.gen_dimension * 8)])