pythonのエラー（配列について）

Question

以下のようなcsvファイルをもちいてRNNの作成を行っています。データは1セットあたり99の時系列データと1つのラベルのセットで10セットあります。(学習用データとテスト用データで10個ずつ計20個)

実現したいこと

99の時系列データの答えを１つのラベルとしてone-hot型で推定したいです。
###　実行したコード

# coding: utf-8
from __future__ import absolute_import 
from __future__ import division 
from __future__ import print_function

import random
import numpy as np
import tensorflow as tf
import csv
from tensorflow.contrib import rnn

# パラメーター
N_CLASSES = 500  # クラス数
N_INPUTS = 1  # 1ステップに入力されるデータ数
N_STEPS = 10  # 学習ステップ数
LEN_SEQ = 99  # 系列長 

N_NODES = 64  # ノード数
N_DATA = 10  # 各クラスの学習用データ数
N_TEST = 10  # テスト用データ数
BATCH_SIZE = 2  # バッチサイズ 

#データの準備
def get_mist1_data():
 with open("ファイル名") as fp:
  reader1 = csv.reader(fp)
  data1 = [ e for e in reader1 ]
  data1 = np.array(data1).reshape(-1)
  data1 = data1.reshape(-1,100)
  x1 = data1[:,:99]
  t1 = data1[:,99].reshape(-1)
  return x1 , t1

def get_mist2_data():
  with open("ファイル名") as fp:
   reader2 = csv.reader(fp)
   data2 = [ e for e in reader2 ]
   data2 = np.array(data2).reshape(-1)
   data2 = data2.reshape(-1,100)
   x2 = data2[:,:99]
   t2 = data2[:,99].reshape(-1)
   return x2 , t2

x_train, t_train = get_mist1_data()  #学習用データセット
x_test, t_test = get_mist2_data()    #テスト用データセット

# モデルの構築
x = tf.placeholder(tf.float32, [None, LEN_SEQ, N_INPUTS])  # 入力データ
t = tf.placeholder(tf.int32, [None])  # 教師データ
t_on_hot = tf.one_hot(t, depth=N_CLASSES, dtype=tf.float32)  # 1-of-Kベクトル
cell = rnn.BasicRNNCell(num_units=N_NODES, activation=tf.nn.tanh)  # 中間層のセル
# RNNに入力およびセル設定する 
outputs, states = tf.nn.dynamic_rnn(cell=cell, inputs=x, dtype=tf.float32, time_major=False)
# [ミニバッチサイズ,系列長,出力数]→[系列長,ミニバッチサイズ,出力数]
outputs = tf.transpose(outputs, perm=[1, 0, 2])

w = tf.Variable(tf.random_normal([N_NODES, N_CLASSES], stddev=0.01))
b = tf.Variable(tf.zeros([N_CLASSES]))
logits = tf.matmul(outputs[-1], w) + b  # 出力層
pred = tf.nn.softmax(logits)  # ソフトマックス

cross_entropy = tf.nn.softmax_cross_entropy_with_logits(labels=t_on_hot, logits=logits)
loss = tf.reduce_mean(cross_entropy)  # 誤差関数
train_step = tf.train.AdamOptimizer().minimize(loss)  # 学習アルゴリズム

correct_prediction = tf.equal(tf.argmax(pred,1), tf.argmax(t_on_hot,1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))  # 精度

# 学習の実行
sess = tf.Session()
sess.run(tf.global_variables_initializer())
i = 0
for _ in range(N_STEPS):
    cycle = int(N_DATA / BATCH_SIZE) 
    begin = int(BATCH_SIZE * (i % cycle)) 
    end = begin + BATCH_SIZE 
    x_batch, t_batch = x_train[begin:end], t_train[begin:end]
    sess.run(train_step, feed_dict={x:x_batch, t:t_batch})
    i += 1 
    if i % 2 == 0:
        loss_, acc_ = sess.run([loss, accuracy], feed_dict={x:x_batch,t:t_batch})
        loss_test_, acc_test_ = sess.run([loss, accuracy], feed_dict={x:x_test,t:t_test})
        print("[TRAIN] loss : %f, accuracy : %f" %(loss_, acc_))
        print("[TEST loss : %f, accuracy : %f" %(loss_test_, acc_test_))
sess.close()

発生したエラー

以下のようなエラーが発生して困っています。
次元数が合っていないということだと思いますが、解決法がわからないので教えていただけますでしょうか。
cannot feed value of shape (2,99) for tensor 'placeholder:0', which has shape '(?, 99, 1)'

Answer 1

エラーが出ずに動く
RNNによるクラス分類
のコードを実行してから、下記を実行してみて、次元を確認してください

print(x_train.shape)
print(x_test.shape)

次に、質問にお書きになった自分のコードでも同様にして、次元を確認してください
違いますよね
サンプル数とか違うのだから、数値自体は違って当然ですが、次元は合わないといけません

下記も参考に
numpy.newaxisで配列に次元(ndim)を追加する方法