TensorFlow CNN猫狗分类器数据加载报错：无法转NumPy数组为张量

错误的核心原因是你将单个EagerTensor存储在Pandas DataFrame的列中，而model.fit()无法直接处理这种嵌套的张量结构。同时你的模型输出层和损失函数的搭配也需要调整。以下是两种可行的修复方案：

方案一：改用NumPy数组加载数据（适合小规模数据集） #

修正数据加载代码 #

把图像数据转为NumPy数组并堆叠成批量张量，标签转为一维数组，避免使用DataFrame存储图像张量：

import os
import numpy as np
from PIL import Image
import tensorflow as tf
from tensorflow import keras

# 路径设置
train_folder = "/Users/Sara/Documents/Datasets/CatsDogs/train"
test_folder = "/Users/Sara/Documents/Datasets/CatsDogs/test1"

def load_train_data(folder):
    images = []
    labels = []
    for filename in os.listdir(folder):
        if filename.endswith(".jpg"):
            # 加载并预处理图像
            img = Image.open(os.path.join(folder, filename))
            img = img.resize((224, 224))
            img_array = np.array(img) / 255.0  # 归一化到[0,1]
            images.append(img_array)
            
            # 提取标签
            label = 0 if filename.split('.')[0] == 'cat' else 1
            labels.append(label)
    
    # 转为批量NumPy数组
    X_train = np.array(images)
    y_train = np.array(labels)
    return X_train, y_train

# 加载训练数据
X_train, y_train = load_train_data(train_folder)

修正模型结构和训练代码 #

因为是二分类任务，输出层使用units=1搭配sigmoid激活更合理（对应binary_crossentropy损失）：

model = keras.Sequential([
    keras.layers.InputLayer(shape=[224, 224, 3]),
    
    keras.layers.Conv2D(kernel_size=3, filters=32, activation="relu"),
    keras.layers.MaxPool2D(),

    keras.layers.Conv2D(kernel_size=3, filters=64, activation="relu"),
    keras.layers.MaxPool2D(),

    keras.layers.Flatten(),
    keras.layers.Dense(units=128, activation='relu'),
    keras.layers.Dense(units=1, activation='sigmoid'),  # 二分类用单输出sigmoid
])

model.compile(
    optimizer='adam',
    loss='binary_crossentropy',
    metrics=['binary_accuracy']
)

# 训练模型
history = model.fit(
    X_train, y_train,  # 直接传入特征数组和标签数组
    epochs=10,
    verbose=1,
    validation_split=0.1  # 可选：划分10%数据作为验证集
)

方案二：使用tf.data.Dataset（适合大规模数据集，内存友好） #

如果数据集较大，不适合一次性加载到内存，推荐用TensorFlow的原生数据管道，避免内存溢出：

import os
import tensorflow as tf
from tensorflow import keras

train_folder = "/Users/Sara/Documents/Datasets/CatsDogs/train"

# 生成文件列表和标签
file_list = [os.path.join(train_folder, f) for f in os.listdir(train_folder) if f.endswith('.jpg')]
labels = [0 if 'cat' in f else 1 for f in file_list]

# 创建并预处理Dataset
def preprocess_image(file_path, label):
    # 加载图像
    img = tf.io.read_file(file_path)
    img = tf.image.decode_jpeg(img, channels=3)
    # 调整大小和归一化
    img = tf.image.resize(img, [224, 224])
    img = img / 255.0
    return img, label

dataset = tf.data.Dataset.from_tensor_slices((file_list, labels))
dataset = dataset.map(preprocess_image, num_parallel_calls=tf.data.AUTOTUNE)
dataset = dataset.shuffle(1000).batch(32).prefetch(tf.data.AUTOTUNE)

# 模型结构同方案一
model = keras.Sequential([
    keras.layers.InputLayer(shape=[224, 224, 3]),
    
    keras.layers.Conv2D(kernel_size=3, filters=32, activation="relu"),
    keras.layers.MaxPool2D(),

    keras.layers.Conv2D(kernel_size=3, filters=64, activation="relu"),
    keras.layers.MaxPool2D(),

    keras.layers.Flatten(),
    keras.layers.Dense(units=128, activation='relu'),
    keras.layers.Dense(units=1, activation='sigmoid'),
])

model.compile(
    optimizer='adam',
    loss='binary_crossentropy',
    metrics=['binary_accuracy']
)

# 训练
history = model.fit(dataset, epochs=10, verbose=1)

错误原因详解 #

1. DataFrame存储EagerTensor的问题：Pandas DataFrame并不适合存储Tensor对象，model.fit()无法解析这种嵌套结构，尝试转换时会因EagerTensor无法直接转为NumPy数组报错。
2. 模型输出与损失不匹配：原代码用units=2+sigmoid搭配binary_crossentropy不符合二分类常规配置——binary_crossentropy对应单输出sigmoid，多输出softmax需搭配categorical_crossentropy（且标签需做one-hot编码）。

内容的提问来源于stack exchange，提问作者Q.Ask