Python Tensorflow-ValueError:无法将NumPy数组转换为Tensor（不支持的对象类型float）

继续上一个问题：

我的训练数据是一个列表，每个列表由1000个浮动组成。例如，

x\u列车[0]=

[0.0, 0.0, 0.1, 0.25, 0.5, ...]

这是我的模型：

model = Sequential()

model.add(LSTM(128, activation='relu',
               input_shape=(1000, 1), return_sequences=True))
model.add(Dropout(0.2))
model.add(LSTM(128, activation='relu'))
model.add(Dropout(0.2))
model.add(Dense(32, activation='relu'))
model.add(Dropout(0.2))
model.add(Dense(1, activation='sigmoid'))

opt = tf.keras.optimizers.Adam(lr=1e-3, decay=1e-5)

model.compile(optimizer='rmsprop',
              loss='binary_crossentropy',
              metrics=['accuracy'])

model.fit(x_train, y_train, epochs=3, validation_data=(x_test, y_test))

下面是我得到的错误：

Traceback (most recent call last):
      File "C:\Users\bencu\Desktop\ProjectFiles\Code\Program.py", line 88, in FitModel
        model.fit(x_train, y_train, epochs=3, validation_data=(x_test, y_test))
      File "C:\Users\bencu\AppData\Local\Programs\Python\Python37\lib\site-packages\tensorflow_core\python\keras\engine\training.py", line 728, in fit
        use_multiprocessing=use_multiprocessing)
      File "C:\Users\bencu\AppData\Local\Programs\Python\Python37\lib\site-packages\tensorflow_core\python\keras\engine\training_v2.py", line 224, in fit
        distribution_strategy=strategy)
      File "C:\Users\bencu\AppData\Local\Programs\Python\Python37\lib\site-packages\tensorflow_core\python\keras\engine\training_v2.py", line 547, in _process_training_inputs
        use_multiprocessing=use_multiprocessing)
      File "C:\Users\bencu\AppData\Local\Programs\Python\Python37\lib\site-packages\tensorflow_core\python\keras\engine\training_v2.py", line 606, in _process_inputs
        use_multiprocessing=use_multiprocessing)
      File "C:\Users\bencu\AppData\Local\Programs\Python\Python37\lib\site-packages\tensorflow_core\python\keras\engine\data_adapter.py", line 479, in __init__
        batch_size=batch_size, shuffle=shuffle, **kwargs)
      File "C:\Users\bencu\AppData\Local\Programs\Python\Python37\lib\site-packages\tensorflow_core\python\keras\engine\data_adapter.py", line 321, in __init__
        dataset_ops.DatasetV2.from_tensors(inputs).repeat()
      File "C:\Users\bencu\AppData\Local\Programs\Python\Python37\lib\site-packages\tensorflow_core\python\data\ops\dataset_ops.py", line 414, in from_tensors
        return TensorDataset(tensors)
      File "C:\Users\bencu\AppData\Local\Programs\Python\Python37\lib\site-packages\tensorflow_core\python\data\ops\dataset_ops.py", line 2335, in __init__
        element = structure.normalize_element(element)
      File "C:\Users\bencu\AppData\Local\Programs\Python\Python37\lib\site-packages\tensorflow_core\python\data\util\structure.py", line 111, in normalize_element
        ops.convert_to_tensor(t, name="component_%d" % i))
      File "C:\Users\bencu\AppData\Local\Programs\Python\Python37\lib\site-packages\tensorflow_core\python\framework\ops.py", line 1184, in convert_to_tensor
        return convert_to_tensor_v2(value, dtype, preferred_dtype, name)
      File "C:\Users\bencu\AppData\Local\Programs\Python\Python37\lib\site-packages\tensorflow_core\python\framework\ops.py", line 1242, in convert_to_tensor_v2
        as_ref=False)
      File "C:\Users\bencu\AppData\Local\Programs\Python\Python37\lib\site-packages\tensorflow_core\python\framework\ops.py", line 1296, in internal_convert_to_tensor
        ret = conversion_func(value, dtype=dtype, name=name, as_ref=as_ref)
      File "C:\Users\bencu\AppData\Local\Programs\Python\Python37\lib\site-packages\tensorflow_core\python\framework\tensor_conversion_registry.py", line 52, in _default_conversion_function
        return constant_op.constant(value, dtype, name=name)
      File "C:\Users\bencu\AppData\Local\Programs\Python\Python37\lib\site-packages\tensorflow_core\python\framework\constant_op.py", line 227, in constant
        allow_broadcast=True)
      File "C:\Users\bencu\AppData\Local\Programs\Python\Python37\lib\site-packages\tensorflow_core\python\framework\constant_op.py", line 235, in _constant_impl
        t = convert_to_eager_tensor(value, ctx, dtype)
      File "C:\Users\bencu\AppData\Local\Programs\Python\Python37\lib\site-packages\tensorflow_core\python\framework\constant_op.py", line 96, in convert_to_eager_tensor
        return ops.EagerTensor(value, ctx.device_name, dtype)
    ValueError: Failed to convert a NumPy array to a Tensor (Unsupported object type float).

我自己也试过用谷歌搜索错误，我发现了一些关于使用

tf.convert\u to\u tensor

函数的东西。我试着通过这个函数传递我的培训和测试列表，但函数不会接受它们

---

任何帮助都将不胜感激。

TL；DR几个可能的错误，大多数错误通过

x=np.asarray（x）.astype（'float32'）

修复

其他可能是错误的数据预处理；确保所有内容的格式正确（分类、NAN、字符串等）。下面显示了模型的期望值：

[打印（i.shape，i.dtype）模型中的i.input]
[模型中o的打印（o.shape，o.dtype）输出]
[model.layers中l的打印（l.name、l.input_shape、l.dtype）]

---

问题的根源在于使用列表作为输入，而不是Numpy数组；Keras/TF不支持前者。一个简单的转换是：

x\u数组=np.asarray（x\u列表）

下一步是确保以预期格式提供数据；对于LSTM，这将是一个三维张量，其尺寸为

（批量大小、时间步、特征）

，或者等效为

（num\u样本、时间步、通道）

。最后，作为调试专业提示，打印数据的所有形状。完成上述所有工作的代码，如下所示：

Sequences=np.asarray（序列）
目标=np.asarray（目标）
显示形状（）
序列=np。展开（序列，-1）
目标=np。展开尺寸（目标，-1）
显示形状（）

#输出
预期：（num_样本、时间步、通道）
序列：（2001000）
目标：（200）
预期：（num_样本、时间步、通道）
顺序：（200、1000、1）
目标：（200，1）

---

作为一个额外提示，我注意到您正在通过

main（）

运行，因此您的IDE可能缺少类似Jupyter的基于单元的执行；我强烈推荐这本书。只需在[]中添加

#

，然后按下面的

Ctrl+Enter即可：


使用的功能：

def show_shapes（）：#可以让您的用户接受输入；这将使用局部变量值
打印（“预期：（num_样本、时间步、通道）”）
打印（“序列：{}”.format（Sequences.shape））
打印（“目标：{}”.format（Targets.shape））
由于版本不同，也可能发生这种情况（为了解决这个问题，我不得不从tensorflow 2.1.0移回2.0.0.beta1）。
在尝试了上述所有操作但没有成功后，我发现我的问题是数据中的一列具有
布尔值。将所有内容转换为
np.float32
解决了这个问题

import numpy as np

X = np.asarray(X).astype(np.float32)

我有许多不同的输入和目标变量，不知道是哪一个导致了问题

要找出它在哪个变量上中断，可以使用堆栈策略中指定的路径在库包中添加打印值：

      File "C:\Users\bencu\AppData\Local\Programs\Python\Python37\lib\site-packages\tensorflow_core\python\framework\constant_op.py", line 96, in convert_to_eager_tensor
        return ops.EagerTensor(value, ctx.device_name, 

在代码的这一部分中添加
print
语句可以让我看到是哪个输入导致了问题：

常数p.py
：

。。。。
dtype=dtype.as\u数据类型\u枚举
除属性错误外：
dtype=dtypes.as\u dtype（dtype）.as\u datatype\u enum
ctx.确保_已初始化（）
print（value）#你最好用这个，因为keras的版本不可兼容

from keras import backend as K
X_train1 = K.cast_to_floatx(X_train)
y_train1 = K.cast_to_floatx(y_train)

这是一个高度误导性的错误，因为这基本上是一个一般性错误，可能与浮点无关

例如，在我的例子中，它是由pandas数据帧的一个字符串列中包含一些
np.NaN
值引起的。算了吧

通过将其替换为空字符串修复：

df.fillna(value='', inplace=True)

或者更具体地说，仅对字符串（例如“对象”）列执行此操作：

您可能需要检查输入数据集或数组中的数据类型，然后将其转换为
float32
：

train_X[:2, :].view()
#array([[4.6, 3.1, 1.5, 0.2],
#       [5.9, 3.0, 5.1, 1.8]], dtype=object)
train_X = train_X.astype(np.float32)
#array([[4.6, 3.1, 1.5, 0.2],
#       [5.9, 3. , 5.1, 1.8]], dtype=float32)

这应该可以做到：

x_train = np.asarray(x_train).astype(np.float32)
y_train = np.asarray(y_train).astype(np.float32)

如果您使用的是DataFrame并且有多个列类型，请使用此选项：

numeric_list = df.select_dtypes(include=[np.number]).columns
df[numeric_list] = df[numeric_list].astype(np.float32)

尝试将np.float32转换为tf.float32（读取keras和tensorflow的数据类型）：

tf.convert_to_tensor（X_train，dtype=tf.float32）
对于以下内容，您会得到什么输出？：（1）
print（len（X_train））
；（2） 
打印（len（x_列[0]））
；（3） 
打印（x_列形状）
；（4） 
打印（x列[0]。形状）
。如果出现错误，只需跳过数字。更重要的是，查看完整代码会有所帮助，因为我无法用提供的信息再现问题。我怀疑您正在使用可变的输入大小，或者您的
x\u train
列表维度不一致；x_序列中的seq的
输出是什么：print（np.array（seq.shape）
？@OverLordGoldDragon-
打印（len（x_列））
输出
13520
，
打印（len（x_列[0]）
输出
1000
，for循环输出
（1000，）
针对
x_列中的每个值。以下输出是什么<代码>导入系统；导入tensorflow作为tf；进口干酪；打印（系统版本）；打印（tf.\uuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuu；打印（keras.uuu版本）#python版本、tf版本、keras版本
此外，您是否能够通过共享数据子集，例如？您的问题被夸大了；看起来列表很受欢迎。@不客气；别忘了@OverlordGoldDragon我在将3D numpy数组插入熊猫数据帧，然后从数据帧获取numpy数组以创建tensor对象时遇到了这个问题。为了解决这个问题，我直接传递numpy数组来创建tensor对象。如果我的ytrain是一个多标签类数组，我该如何解决这个问题？（1000,20）1000张唱片，每张唱片有20个标签？是的，这个简短的答案是所有需要的，非常感谢！）这应该是这个伟大答案的认可答案，我的数据是对象而不是浮动的
numeric_list = df.select_dtypes(include=[np.number]).columns
df[numeric_list] = df[numeric_list].astype(np.float32)