TypeError: Argument `fetch` = None has invalid type “NoneType“. Cannot be None

def test3():
    tf.compat.v1.disable_eager_execution()
    # 构建数据流图
    graph = tf.Graph()  # 显式创建Graph对象
    with graph.as_default():  # 设为默认Graph对象
        with tf.name_scope("variables"):  # 创建Variable对象名称作用域
            global_step = tf.Variable(0, dtype=tf.int32, trainable=False,
                                      name="global_step")  # 记录数据流图运行次数的Variable对象，初值为0，数据类型为32位整型，不可自动修改，以global_step标识
            total_output = tf.Variable(0.0, dtype=tf.float32, trainable=False,
                                       name="total_output")  # 追踪模型所有输出累加和的Variable对象，初值为0.0，数据类型为32位浮点型，不可自动修改，以total_output标识
        with tf.name_scope("transformation"):  # 创建变换计算Op名称作用域
            with tf.name_scope("input"):  # 创建独立输入层名称作用域
                a = tf.compat.v1.placeholder(tf.float32, shape=[None],
                               name="input_placeholder_a")  # 创建占位符，接收一个32位浮点型任意长度的向量作为输入，以input_placeholder_a标识
            with tf.name_scope("intermediate_layer"):  # 创建独立中间层名称作用域
                b = tf.reduce_prod(a, name="product_b")  # 创建创建归约乘积Op，接收张量输入，输出张量所有分量(元素)的乘积，以product_b标识
                c = tf.reduce_sum(a, name="sum_c")  # 创建创建归约求和Op，接收张量输入，输出张量所有分量(元素)的求和，以sum_c标识
            with tf.name_scope("output"):  # 创建独立输出层名称作用域
                output = tf.add(b, c, name="output")  # 创建创建求和Op，接收两个标量输入,输出标量求和,以output标识
        with tf.name_scope("update"):
            update_total = total_output.assign_add(output)  # 用最新的输出更新Variable对象total_output
            increment_step = global_step.assign_add(1)  # 增1更新Variable对象global_step，记录数据流图运行次数
        with tf.name_scope("summaries"):  # 创建数据汇总Op名称作用域
            avg = tf.math.divide(update_total, tf.cast(increment_step, tf.float32),
                         name="average")  # 计算平均值，输出累加和除以数据流图运行次数，把运行次数数据类型转换为32位浮点型，以average标识
            tf.summary.scalar('output_summary', output)  # 创建输出节点标量数据统计汇总，以output_summary标识
            tf.summary.scalar('total_summary', update_total)  # 创建输出累加求和标量数据统计汇总，以total_summary标识
            tf.summary.scalar('average_summary', avg)  # 创建平均值标量数据统计汇总，以average_summary标识
        with tf.name_scope("global_ops"):  # 创建全局Operation(Op)名称作用域
            init = tf.compat.v1.global_variables_initializer()  # 创建初始化所有Variable对象的Op
            merged_summaries = tf.compat.v1.summary.merge_all()  # 创建合并所有汇总数据的Op
    # 运行数据流图
    sess = tf.compat.v1.Session(graph=graph)  # 用显式创建Graph对象启动Session会话对象
    writer = tf.compat.v1.summary.FileWriter('./improved_graph', graph)  # 启动FileWriter对象，保存汇总数据
    sess.run(init)  # 运行Variable对象初始化Op

    def run_graph(input_tensor):  # 定义数据注图运行辅助函数
        """
        辅助函数：用给定的输入张量运行数据流图，
        并保存汇总数据
        """
        feed_dict = {a: input_tensor}  # 创建feed_dict参数字典，以input_tensor替换a句柄的tf.placeholder节点值
        _, step, summary = sess.run([output, increment_step, merged_summaries],feed_dict=feed_dict)
    # 使用feed_dict运行output不关心存储，运行increment_step保存到step，运行merged_summaries Op保存到summary
        writer.add_summary(summary, global_step=step)  # 添加汇总数据到FileWriter对象，global_step参数时间图示折线图横轴

    # 用不同的输入用例运行数据流图
    run_graph([2.0, 8.0])
    run_graph([3, 1, 3, 3])
    run_graph([8])
    run_graph([1, 2, 3])
    run_graph([11, 4])
    run_graph([4, 1])
    run_graph([7, 3, 1])
    run_graph([6, 3])
    run_graph([0, 2])
    run_graph([4, 5, 6])
    writer.flush()  # 将汇总数据写入磁盘
    writer.close()  # 关闭FileWriter对象，释放资源
    sess.close()  # 关闭Session对象，释放资源
    ```


    有点奇怪就是我把
    ```
     import tensorflow as tf  # 载入tensorflow环境
   	 print(tf.__version__)  # 查看tensorflow版本
    ```
    这两行代码删除后，main()方法执行就不报错了