训练Sequential模型时出现‘object __array__ method not producing an array’错误求助

错误原因分析 #

ValueError: object __array__ method not producing an array 本质是TensorFlow无法将训练数据转换为有效张量，核心原因大概率是数据类型不符合要求：

• 尽管你打印的样本和形状看似正常，但np.concatenate生成的y数组可能存在隐性类型问题，或是train_test_split返回的y_train并非纯数值型numpy数组（比如混入了object类型元素）。

解决方案 #

1. 强制转换数据类型（快速修复） #

在调用model.fit()前，明确将训练/测试数据转换为TensorFlow兼容的float32类型numpy数组：

# 强制转换为float32，适配TensorFlow张量要求
X_train = np.asarray(X_train, dtype=np.float32)
y_train = np.asarray(y_train, dtype=np.float32)
X_test = np.asarray(X_test, dtype=np.float32)
y_test = np.asarray(y_test, dtype=np.float32)

2. 排查数据类型根源 #

在train_test_split后添加类型检查代码，确认数据是否为纯数值型：

print("X_train类型：", type(X_train), " dtype：", X_train.dtype)
print("y_train类型：", type(y_train), " dtype：", y_train.dtype)

如果输出显示dtype为object，需回溯检查：

• LabelEncoder转换后的数据是否为整数类型（而非object）
• to_categorical生成的one-hot数组是否为数值型
• 原始数据集是否存在缺失值或异常字符串未被正确编码

3. 优化多输出模型设计（可选） #

当前将两个任务的one-hot标签拼接后用单个softmax输出的方式不符合多任务分类逻辑（每个任务应输出独立的概率分布），建议改为多输出模型：

from tensorflow.keras.models import Model
from tensorflow.keras.layers import Dense, Input

# 拆分数据时保留独立的输出标签
y_device = to_categorical(consolidated_super['DeviceName_df2'])
y_alarm = to_categorical(consolidated_super['AlarmName_df2'])
X_train, X_test, y_device_train, y_device_test, y_alarm_train, y_alarm_test = train_test_split(
    X, y_device, y_alarm, test_size=0.2, random_state=42
)

# 定义多输出模型
input_layer = Input(shape=(X_train.shape[1],))
x = Dense(64, activation='relu')(input_layer)
x = Dense(32, activation='relu')(x)

device_output = Dense(y_device.shape[1], activation='softmax', name='device_output')(x)
alarm_output = Dense(y_alarm.shape[1], activation='softmax', name='alarm_output')(x)

model = Model(inputs=input_layer, outputs=[device_output, alarm_output])

# 编译模型，为每个任务指定损失函数
model.compile(optimizer='adam',
              loss={'device_output': 'categorical_crossentropy', 'alarm_output': 'categorical_crossentropy'},
              metrics={'device_output': 'accuracy', 'alarm_output': 'accuracy'})

# 训练时传入对应标签
model.fit(X_train, [y_device_train, y_alarm_train], epochs=50, batch_size=8, validation_split=0.2)

内容的提问来源于stack exchange，提问作者Manthan Sharma