使用自定义数据集构建神经网络时遭遇ValueError：无法将NumPy数组转换为Tensor（不支持的对象类型numpy.ndarray）

先帮你梳理代码里的几个关键问题，这些都是导致model.fit报错的核心原因：

1. 数据集路径错误 #

你定义white_people的时候，路径写成了和black_people一样的'black people'，这意味着两个数据集加载的都是同一份图片，完全无法进行二分类训练：

# 错误代码
white_people = os.path.join(os.curdir, 'black people')
# 应该改成对应的白人图片文件夹，比如：
white_people = os.path.join(os.curdir, 'white people')

2. 数据集结构完全错误 #

你把图片数组和标签字符串混在了twod_array的同一个元素里，转成numpy数组后会变成dtype=object的混合数组，模型根本无法识别这种输入。正确的做法是把特征数据和标签数据分开存储：

• 特征数据：所有图片的归一化数组，形状应该是(样本数, 32, 32, 通道数)
• 标签数据：对应每个样本的数字标签（0代表White，1代表Black）

3. 模型结构与任务不匹配 #

你做的是二分类任务，但：

• 输入层Flatten(input_shape=(32, 32))没有考虑图片的通道数（如果是RGB图，应该是(32,32,3)）
• 输出层用了Dense(10, activation='softmax')，这是给10分类任务用的，二分类应该用Dense(1, activation='sigmoid')配合binary_crossentropy损失，或者Dense(2, activation='softmax')配合sparse_categorical_crossentropy

4. 标签手动编写易出错 #

手动写class_label的列表很容易和样本数量不匹配，应该自动根据数据集长度生成标签。

修正后的完整代码 #

from PIL import Image
import numpy as np
import os
import tensorflow as tf
from tensorflow import keras
import matplotlib.pyplot as plt

# 1. 修复路径问题
black_people_dir = os.path.join(os.curdir, 'black people')
white_people_dir = os.path.join(os.curdir, 'white people')

def load_images_from_dir(dir_path):
    """加载指定文件夹下的所有png图片，归一化并返回numpy数组"""
    images = []
    for root, _, files in os.walk(dir_path):
        for file in filter(lambda f: f.endswith(".png"), files):
            img_path = os.path.join(root, file)
            # 确保图片尺寸统一为32x32（根据你的模型输入调整）
            img = Image.open(img_path).resize((32, 32))
            img_array = np.array(img) / 255.0  # 归一化到0-1
            images.append(img_array)
    return np.array(images)

# 加载两个数据集
black_images = load_images_from_dir(black_people_dir)
white_images = load_images_from_dir(white_people_dir)

# 2. 生成特征和标签数据
X = np.concatenate([white_images, black_images], axis=0)
# 生成标签：白人样本标签为0，黑人样本标签为1
y = np.array([0]*len(white_images) + [1]*len(black_images))

# 检查数据形状：比如(样本数, 32, 32, 3)（如果是RGB图）
print(f"特征数据形状: {X.shape}")
print(f"标签数据形状: {y.shape}")

# 3. 修正模型结构（二分类版本）
model = keras.Sequential([
    # 如果是灰度图，input_shape=(32,32,1)；RGB图则是(32,32,3)
    keras.layers.Flatten(input_shape=(32, 32, 3)),
    keras.layers.Dense(128, activation='relu'),
    # 二分类用sigmoid激活，输出0-1的概率
    keras.layers.Dense(1, activation='sigmoid')
])

# 4. 修正编译参数（对应二分类）
model.compile(optimizer='adam',
              loss='binary_crossentropy',
              metrics=['accuracy'])

# 训练模型
model.fit(X, y, epochs=5)

额外注意事项 #

• 确保所有图片的尺寸一致：如果原始图片不是32x32，用resize((32,32))统一尺寸，否则Flatten层会因为输入形状不一致报错
• 如果是灰度图片，记得把input_shape改成(32,32,1)，或者在加载时转成灰度图：img = Image.open(img_path).convert('L').resize((32,32))
• 可以加入数据集打乱：from sklearn.utils import shuffle; X, y = shuffle(X, y)，避免模型学习到顺序规律

内容的提问来源于stack exchange，提问作者snoopyballz901