For 'SparseSoftmaxCrossEntropyWithLogits', the type of 'logits' should be one of Tensor[Float16], Tensor[Float32], but got None .

这个错误说明你在使用 SparseSoftmaxCrossEntropyWithLogits 这个函数时，传入的 logits 参数的类型应该为 Float16 或 Float32，但是你传入的参数为 None。请检查一下你的代码，确保传入的 logits 参数不为 None，并且类型为 Float16 或 Float32。如果 logits 参数确实为 None，你需要先计算出 logits 的值再传入该函数。

相关问题

'sparse_categorical_crossentropy/SparseSoftmaxCrossEntropyWithLogits/SparseSoftmaxCrossEntropyWithLogits' logits and labels must have the same first dimension, got logits shape [50176,10] and labels shape [256] [[{{node sparse_categorical_crossentropy/

这个错误提示是因为你的标签（labels）形状为 [256]，而你的 logits 形状为 [50176, 10]。这意味着你的标签数据是单个值，而 logits 数据是一个包含多个预测值的矩阵。

在使用交叉熵损失函数时，标签和 logits 的形状必须相同。因为标签用于指示每个样本属于哪个类别，所以它们应该与 logits 矩阵的第一维大小相同。

解决这个问题的方法是将标签数据转换为 one-hot 编码，使其形状与 logits 矩阵的形状相同。你可以使用 TensorFlow 的 `tf.one_hot` 方法来实现这个转换。例如：

import tensorflow as tf

# 将标签数据转换为 one-hot 编码
one_hot_labels = tf.one_hot(labels, depth=10)

# 计算交叉熵损失函数
loss = tf.keras.losses.sparse_categorical_crossentropy(one_hot_labels, logits)

这样就可以避免上述错误，并正确计算交叉熵损失函数了。

audio = np.frombuffer(b''.join(frames), dtype=np.long) input_values = tokenizer(audio, return_tensors="pt").input_values.type(torch.LongTensor) with torch.no_grad(): logits = model(input_values).logits RuntimeError: expected scalar type Long but found Float

看起来你已经解决了上一个问题，但是现在又出现了新的错误。这个错误的原因可能是因为模型的输入数据类型与设备类型不匹配。可以尝试将输入数据和模型都转换为相同的数据类型和设备类型。以下是一些可能有效的代码：

audio = np.frombuffer(b''.join(frames), dtype=np.long)
input_values = tokenizer(audio, return_tensors="pt").input_values.type(torch.LongTensor).to(device)
model.to(device)
with torch.no_grad():
    logits = model(input_values).logits

其中，`device`是指定的PyTorch设备，可以是CPU或GPU。上述代码将输入数据和模型都转换为LongTensor类型，并将它们都移动到指定的设备上。这应该可以解决此问题。