pointnet train第十四句 train_op = optimizer.minimize(loss, global_step=batch)

System.ArgumentException HResult=0x80070057 Message=Tensor must have 0 dimensions in order to convert to scalar Source=Tensorflow.Binding StackTrace: 在 Tensorflow.Tensor.EnsureScalar(Tensor tensor) 在 Tensorflow.Tensor.op_Explicit(Tensor tensor) 在 DNN_Keras.Program.Main() 在 D:\编程软件系列\VS2022社区版\文件\DNN_Keras\Program.cs 中: 第 151 行 foreach (var (step, (batch_x, batch_y)) in enumerate(dataset1, 1)) { //调用 run_optimization 方法，将当前批次的输入数据 batch_x 和标签数据 batch_y 作为参数传入。这个方法的主要功能是执行一次优化步骤，也就是依据当前批次的数据计算梯度，然后更新神经网络的参数W和b的值。 run_optimization(batch_x, batch_y); //条件判断语句， step 是当前批次的序号， display_step=100 是一个预设的整数，表示每隔多少步输出一次训练信息。当 step 是 display_step 的整数倍时，就执行下面的代码块。 if (step % 100 == 0) { //调用 model 对象的 Apply 方法，把当前批次的输入数据 batch_x 作为输入， training: true 表明当前处于训练模式。该方法会让输入数据通过神经网络，得到预测结果 pred 。 var pred = model.Apply(batch_x, training: true); //调用 cross_entropy_loss 方法，将预测结果 pred 和真实标签 batch_y 作为参数传入，计算交叉熵损失。交叉熵损失是分类问题里常用的损失函数，用于衡量预测结果和真实标签之间的差异。 var loss = cross_entropy_loss(pred, batch_y); //调用 accuracy 方法，将预测结果 pred 和真实标签 batch_y 作为参数传入，计算准确率。准确率表示预测正确的样本数占总样本数的比例。 var acc = accuracy(pred, batch_y); //输出当前批次的序号、损失值和准确率。 (float)loss 和 (float)acc 是将 loss 和 acc 转换为 float 类型，方便输出。 print($"step: {step}, loss: {(float)loss}, accuracy: {(float)acc}"); } }