如何在TensorFlow会话中使用sklearn.neighbors.KNeighborsClassifier？解决符号张量转numpy数组报错问题

当然可以在TensorFlow的图模式（也就是你说的“会话内部”，对应TF2.x里用tf.function装饰的函数）中使用Scikit-learn的KNeighborsClassifier，不过你遇到的报错是个典型问题——Scikit-learn的API只认NumPy数组，没法直接处理TensorFlow的符号张量。

为什么会报错？ #

当你用tf.function装饰函数后，TensorFlow会把函数内的代码编译成计算图，此时tf.constant创建的是符号张量（还没被实际求值的抽象张量）。而Scikit-learn的fit()、predict()等方法根本不认识这种张量类型，它期望的是NumPy数组或者普通Python列表。尝试把符号张量传给Scikit-learn时，就会触发NotImplementedError，因为符号张量不能直接转换为NumPy数组（只有Eager模式下的求值张量才能转）。

解决方法 #

这里给你两种可行的方案，根据你的使用场景选择：

方案1：静态输入场景（特征/标签是固定常量）

如果你的训练数据是固定不变的，可以先把TensorFlow张量转成NumPy数组，再用tf.numpy_function把Scikit-learn的逻辑包裹起来，让它能在图模式中运行：

import tensorflow as tf
from sklearn.neighbors import KNeighborsClassifier

def train_knn_model():
    # 先把张量转成NumPy数组，同时把二维标签转成一维（Scikit-learn KNN要求标签是一维）
    features_np = tf.constant([[1., 1.], [2., 2.],[2., 2.],[2., 2.],[2., 2.],[2., 2.]]).numpy()
    labels_np = tf.constant([[1], [2], [2], [2], [2], [2]]).numpy().ravel()
    
    model = KNeighborsClassifier(n_neighbors=3)
    model.fit(features_np, labels_np)
    return model

@tf.function
def run_training():
    # 用tf.numpy_function包装普通Python函数，指定返回类型为Python对象
    trained_model = tf.numpy_function(lambda: train_knn_model(), [], Tout=tf.object)
    return trained_model

# 调用后要把张量转回普通Python对象才能用
model = run_training().numpy()
# 测试预测
test_data = tf.constant([[1., 1.], [2., 2.]]).numpy()
predicted = model.predict(test_data)
print(predicted)

方案2：动态输入场景（特征/标签来自动态张量）

如果你的数据是动态生成的（比如来自TF数据集或者其他计算节点），可以用tf.py_function来处理——它允许你接收TensorFlow张量作为输入，在内部转成NumPy数组后传给Scikit-learn：

import tensorflow as tf
from sklearn.neighbors import KNeighborsClassifier

def train_and_predict(features_tensor, labels_tensor, test_tensor):
    # 把输入张量转成NumPy数组
    features_np = features_tensor.numpy()
    labels_np = labels_tensor.numpy().ravel()
    test_np = test_tensor.numpy()
    
    # 训练并预测
    model = KNeighborsClassifier(n_neighbors=3)
    model.fit(features_np, labels_np)
    return model.predict(test_np)

@tf.function
def run_knn_pipeline(features, labels, test_data):
    # 用tf.py_function包装，指定输入和输出类型
    predictions = tf.py_function(
        func=train_and_predict,
        inp=[features, labels, test_data],
        Tout=tf.int32  # 预测结果是整数，指定输出张量类型
    )
    return predictions

# 测试动态输入
features = tf.constant([[1., 1.], [2., 2.],[2., 2.],[2., 2.],[2., 2.],[2., 2.]])
labels = tf.constant([[1], [2], [2], [2], [2], [2]])
test_data = tf.constant([[1., 1.], [2., 2.]])

predictions = run_knn_pipeline(features, labels, test_data)
print(predictions.numpy())

额外提醒 #

• 如果没有特别的性能优化需求，其实TF2.x的Eager模式（也就是你“会话外部”的代码）可以直接混合使用TensorFlow张量和Scikit-learn，因为Eager张量能直接用.numpy()转成数组，代码更简洁。
• 要是你想完全基于TensorFlow生态实现KNN，可以考虑用TensorFlow官方的实现，比如tf.estimator相关模块，或者自己用TF的运算（比如tf.norm计算距离）手动实现KNN逻辑，这样就能完全在图模式中运行，不需要依赖Scikit-learn。

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