關於ValueError: Dimensions must be equal, but are 784 and 10 for ‘mul’ (op: ‘Mul’) with input shapes: [?,784], [784,10].錯誤

今天在用MNIST資料集進行簡單的分類訓練時，遇到了這個問題，搞了一會，知道錯誤在哪，特地寫一下心得註明一下。
以下是修改錯誤之前的原始碼

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

#載入資料集
mnist = input_data.read_data_sets('D:\Programming Files\學習\Pycharm\PycharmWorkspace\MNIST_data'
 
,one_hot=True)
#設定批次大小
batch_size = 100
#計算批次數量
n_batch = mnist.train.num_examples // batch_size

#定義兩個placeholder
x = tf.placeholder(tf.float32,[None,784])
y = tf.placeholder(tf.float32,[None,10])

#建立簡單的不含隱藏層的神經網路
W = tf.Variable(tf.zeros([784,10]))
b = tf.Variable(tf.zeros([10]))
W_plus_b = tf.matmul(x*W)+b
prediction = tf.nn.softmax(W_plus_b)

#定義二次代價損失函式
 

loss = tf.reduce_mean(tf.square(y-prediction))
#使用梯度下降
optimizer = tf.train.GradientDescentOptimizer(0.2)
#最小化損失函式
train = optimizer.minimize(loss)

#初始化變數
init = tf.global_variables_initializer()

#將結果存到布林型列表裡
accuracy_prediction = tf.equal(tf.argmax(y,1),tf.argmax(prediction,1)) #argmax表示返回一維張量最大值的位置
 

#計算準確率
accuracy = tf.reduce_mean(tf.cast(accuracy_prediction,tf.float32))     #cast將前者轉換為float型別變數

with tf.Session() as sess:
    sess.run(init)
    for epoch in range(21):
        for batch in range(n_batch):
            batch_xs,batch_ys = mnist.train.next_batch(batch_size)      #batch_xs每次獲得batch_size大小圖片，batch_ys獲得標籤
            sess.run(train,feed_dict={x:batch_xs,y:batch_ys})

        #每一輪輸出準確率
        acc = sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels})
        print('Iter:'+str(epoch)+' accuracy:'+str(acc))`

執行時出現瞭如下錯誤：

ValueError: Dimensions must be equal, but are 784 and 10 for 'mul' (op: 'Mul') with input shapes: [?,784], [784,10].

錯誤原因是在建立不含隱藏層的簡單神經網路時tf.matmul()的引數傳遞問題，正確的應為 tf.matmul(x,W)，而不是tf.matmul(x*W)
另外，在StackoverFlow中也給出了這種可能錯誤：誤使用tf.multiply（） 造成，詳細點我