Neural network ValueError:在keras中训练时无法将字符串转换为浮点

我正在尝试使用keras运行一个基本的神经网络：

import numpy
    import pandas
    from keras.models import *
    from keras.layers import *
    from keras.optimizers import *

    dataframe = pandas.read_csv("data/mydata.csv", header=None) 
    dataset = dataframe.values
    # split into input (X) and output (Y) variables
    X = dataset[:,0:21] #X features 
    Y = dataset[:,21] # Y labels

#Define Neural network model of 10 Hidden layer with 500 Neurons each
model = Sequential()
model.add(Dense(500, input_dim=21, init='normal', activation='relu')) #Input Layer 
model.add(Dense(500, init='normal', activation='relu')) #Hidden Layer 1
model.add(Dense(500, init='normal', activation='relu')) #Hidden layer 2
model.add(Dense(500, init='normal', activation='relu')) #Hidden Layer 3
model.add(Dense(500, init='normal', activation='relu')) #Hidden Layer 4
model.add(Dense(500, init='normal', activation='relu')) #Hidden Layer 5
model.add(Dense(500, init='normal', activation='relu')) #Hidden Layer 6
model.add(Dense(500, init='normal', activation='relu')) #Hidden Layer 7
model.add(Dense(500, init='normal', activation='relu')) #Hidden Layer 8
model.add(Dense(500, init='normal', activation='relu')) #Hidden Layer 9
model.add(Dense(500, init='normal', activation='relu')) #Hidden Layer 10
model.add(Dense(1, init='normal', activation='sigmoid')) #Output later
print('Modeled Network')

# Compile model
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'] ) 
 #fits the data point X, Y to the model
model.fit(X, Y, validation_split=0.3, shuffle=True, nb_epoch=50, batch_size=5000)

# serialize model to JSON
print("* Saving model to disk..")
model_json = model.to_json()
with open("models/model.json", "w") as json_file:
  json_file.write(model_json)
# serialize weights to HDF5
model.save_weights("models/model.h5")

但是，我得到了一个错误：

---

ValueError:在编译过程中无法将字符串转换为浮点：“feature21”

。我对这一点很陌生，所以我不确定为什么它会尝试将字符串转换为浮点，因为数据集中的标题是关闭的，并且特性本身完全是数字的。是否已经有一个已知的简单解决方案？

我建议您自己检查一下以确定。很可能X或Y中有一些字符串值。另外，通常数组应该是numpy数组，因此如果将它们转换为numpy数组，它可能会有用。此外，听起来X有形状（batch，50），而您的模型需要形状（batch，23），因为

input\u dim=23

@Daniel我至少可以肯定.csv文件的值始终为0.12345。不过，转换它们可能会起作用，你认为什么是最好的选择？@Daniel抱歉，这只是一个旧版本的代码，数据集实际上只有21个，这是从我使用另一个集合时开始的。我建议你这样做：

对于X中的行：对于行中的项：if isinstance（item，basestring）：print（“这里有一个字符串”）

。同样的情况也适用于Y，具有较小的循环。