ValueError: Cannot feed value of shape (10,) for Tensor ‘Placeholder_1:0‘, which has shape ‘(?, 2)‘

出现这个问题的原因是图片image和标签label的维度不匹配，也就是在取出数据的时候没用进行维度的归一化。
如下，在读取tfrecord文件时：

def read_and_decode(filename,Image_height,Image_width,Image_channel,Batch_size,isTrain):
    # 创建文件名队列并读取
    filename_queue = tf.train.string_input_producer([filename])
    # 内存队列不需要创建，直接使用reader读取文件名即可
    # serialized_example=tf.data.TFRecordDataset(filename_queue)
    reader = tf.TFRecordReader()
    _,serialized_example=reader.read(filename_queue)#返回文件名和文件


    """ 
    serialized：一个标量字符串张量，单个序列化的例子。features：一个字典；
    name：此操作的名称（可选）。
    example_names:(可选）标量字符串张量，关联的名称。
    """
    #最后返回一个字典，映射功能键到 Tensor 和 SparseTensor 值。
    """
    为了解析每个输入样本每一列数据，需要定义一个解析字典。
    tensorflow提供了三种方式：FixedLenFeature、VarLenFeature、FixedLenSequenceFeature，
    分别解析定长特征、变长特征、定长序列特征。
    """
    features=tf.io.parse_single_example(serialized_example,
                            features={
                                'path':tf.io.FixedLenFeature([], tf.string),                                                       
                                'label':tf.io.FixedLenFeature([],tf.int64),#与存储的类型一致
                            })


    """
    将原来编码为字符串类型的变量重新变回来，因为制作图片源数据一般写进tfrecord里,
    用to_bytes的形式，也就是字符串。这里将原始数据取出来 必须制定原始数据的格式，
    原始数据是什么格式这里解析必须是什么格式，要不然会出现形状的不对应问题！
    """
    img=tf.decode_raw(features['path'],tf.uint8) #图片名
    img=tf.reshape(img,shape=[Image_height,Image_width,Image_channel]) #调整大小

    #数据类型的转变，不会改变原始数据的值还有形状
    img = tf.cast(img, tf.float32) * (1.0 / 255.0) #黑白
    # label = tf.cast(features['label'], tf.float32)

    label = features['label']
    label= slim.one_hot_encoding(labels=label, num_classes=2) #对标签进行维度的统一。

    if isTrain:
        #打乱顺序读取数据，先将队列中数据打乱，然后再从队列里读取出来
        img_batch, label_batch = tf.train.shuffle_batch([img, label],
                                            batch_size=Batch_size,
                                            num_threads=1,capacity=1000,
                                            min_after_dequeue=800)
                                        #出队后队列中元素的最小数量，用于确保元素的混合级别
    else:
        # 从队列中按顺序读取队列中的数据
        img_batch,label_batch=tf.train.batch([img,label],batch_size=Batch_size,
                                             num_threads=1,#线程数量，若批次不确定　 > 1．
                                             capacity=1000) #队列中元素的最大数量

    return img_batch,label_batch

在上面的代码中，取数据的关键代码如下：

 img=tf.decode_raw(features['path'],tf.uint8) #图片名
    img=tf.reshape(img,shape=[Image_height,Image_width,Image_channel]) #调整大小

    #数据类型的转变，不会改变原始数据的值还有形状
    img = tf.cast(img, tf.float32) * (1.0 / 255.0) #黑白
    # label = tf.cast(features['label'], tf.float32)

    label = features['label']
    label= slim.one_hot_encoding(labels=label, num_classes=2) #对标签进行维度的统一。

这样完成维度统一过后，再在反向传播过程中使用即可。
示例：

img_batch, label_batch = util.read_and_decode(filename, Image_height,
                                                  Image_width, Image_channel, batch_size,
                                                  True)

image,label=sess.run([img_batch,label_batch])
            _,cost,train_accuarcy,yy=sess.run([train_op,loss,accuarcy,y],feed_dict={x:image,y_:label})

这样输入数据就可以使用进行训练了。报错解决。开始训练。