TensorFlow报错：从拆分数组创建数据集时无法将NumPy数组转换为张量

这种时好时坏的问题真的很磨人，我之前在处理TensorFlow数据集的时候也碰到过类似的情况。结合你的代码和临时解决办法，大概率是NumPy数组的内存布局或者TensorFlow对数组的兼容性识别问题，下面给你拆解几个可能的原因和对应的解决思路：

1. NumPy数组是视图而非独立副本 #

你创建测试集的逻辑是从训练集中采样，然后过滤掉训练集中的测试样本。这时候x_test和y_test可能只是原始DataFrame数据的视图（View），而非完全独立的内存副本。TensorFlow在处理这种视图数组时，偶尔会因为底层内存不连续、引用关系复杂等问题，导致from_tensor_slices读取失败。

你用"转列表再转回数组"的方法能解决，本质是强制创建了一个全新的、内存连续的数组副本。其实更直接的方式是直接生成副本：

x_test = test.A_image.to_numpy().copy()
y_test = test.Label.to_numpy().copy()

2. TensorFlow内部状态残留 #

你提到重启环境后代码能正常运行，这说明可能是TensorFlow的内部缓存或者Python进程的内存残留导致的。反复运行代码时，之前创建的Dataset对象、张量可能没有被完全回收，占用内存或者引发命名冲突，进而干扰新Dataset的创建。

可以在创建测试集Dataset前，手动重置TensorFlow的内部状态：

import tensorflow as tf
tf.keras.backend.clear_session()

ds_test = tf.data.Dataset.from_tensor_slices(({'image_input': x_test, 'label_input': y_test}, y_test))

3. 数组内存连续性问题 #

TensorFlow的from_tensor_slices对输入数组的内存连续性要求比较高。Pandas的采样操作可能导致x_test/y_test的内存布局变成非连续的，这种情况下TensorFlow偶尔会解析失败。

你可以先检查数组的内存连续性：

print("x_train是否连续:", x_train.flags['C_CONTIGUOUS'])
print("x_test是否连续:", x_test.flags['C_CONTIGUOUS'])

如果x_test的结果是False，说明内存不连续，用np.ascontiguousarray()转成连续数组即可：

import numpy as np
x_test = np.ascontiguousarray(test.A_image.to_numpy())
y_test = np.ascontiguousarray(test.Label.to_numpy())

总的来说，核心问题就是测试集数组不是独立的连续内存副本，导致TensorFlow偶发解析失败。上面的几种方法都能从根源解决问题，比转列表的方式更高效直接。

内容的提问来源于stack exchange，提问作者Olli