TensorFlow训练MNIST模型报错：无法将元素转换为Tensor

问题根源 #

你的代码存在两个关键错误触发了该TypeError：

1. 损失函数传递方式错误：model.compile中直接传入了tf.keras.losses.CategoricalCrossentropy类本身，而非该类的实例。TensorFlow要求接收损失函数的实例（或对应的字符串标识符），不能直接传类对象。
2. Conv2D层input_shape参数冗余：你在Conv2D层中设置了input_shape=(None, 28, 28, 1)，其中None是多余的——input_shape只需指定单样本的特征维度，批量维度会由TensorFlow自动处理。

修正方案 #

1. 调整模型定义中的Conv2D层 #

移除input_shape中的None，或者直接删除该参数（因为call方法中已经手动reshape输入，模型可自动推断输入形状）：

class CNN(tf.keras.Model):
    def __init__(self):
        super().__init__()
        self.conv1 = tf.keras.layers.Conv2D(filters=3, kernel_size=3, strides=(1,1), padding="valid", activation="relu", input_shape=(28,28,1))
        self.drop1 = tf.keras.layers.Dropout(rate=0.5)
                
        self.conv2 = tf.keras.layers.Conv2D(filters=3, kernel_size=3, strides=(1,1), padding="valid", activation="relu")
        self.drop2 = tf.keras.layers.Dropout(rate=0.5)

        self.flatten = tf.keras.layers.Flatten()

        self.dense1 = tf.keras.layers.Dense(units=10, activation="relu")
        self.dense2 = tf.keras.layers.Dense(units=10, activation="softmax")

    def call(self, inputs):
        x = tf.reshape(inputs, [-1, inputs.shape[1], inputs.shape[2], 1])
        
        x = self.conv1(x)
        x = self.drop1(x)

        x = self.conv2(x)
        x = self.drop2(x)
        
        x = self.flatten(x)

        x = self.dense1(x)
        x = self.dense2(x)

        return x

2. 修正model.compile的损失函数配置 #

两种可选修正方式：

# 方式1：使用损失类的实例
model.compile(optimizer="Adam", loss=tf.keras.losses.CategoricalCrossentropy(), metrics=['accuracy', 'AUC'])

# 方式2：使用字符串标识符（更简洁，新手推荐）
model.compile(optimizer="Adam", loss="categorical_crossentropy", metrics=['accuracy', 'AUC'])

验证修正效果 #

完成上述调整后，执行训练代码即可正常运行：

hist = model.fit(x_train[:30, :, :], y_train[:30, :], batch_size=1)

额外建议 #

• 新手优先使用字符串形式指定损失函数、优化器，避免类实例化的语法错误。
• 训练前可打印数据的形状和类型，确认预处理是否正确：

print(x_train.shape, x_train.dtype)
print(y_train.shape, y_train.dtype)

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