Tensorflow ValueError求助：无法将NumPy数组转换为Tensor

错误原因 #

你的X_train是嵌套结构的NumPy数组：外层是形状(96306,)的一维数组，每个元素又是不同长度的一维NumPy数组。这种嵌套结构无法被TensorFlow直接解析为符合要求的张量，哪怕设置batch_size=1也不行。此外，每个序列当前是一维形状(L,)，而你的LSTM层定义的输入形状是(None, 1)，需要每个序列扩展为(L, 1)的二维结构（对应序列长度×特征数）。

解决方法 #

使用tf.data.Dataset构建支持变长序列的数据集，同时为每个序列补充特征维度：

1. 转换数据格式并构建数据集 #

import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, LSTM, Dropout
from tensorflow.keras.callbacks import EarlyStopping

# 处理训练数据：为每个序列添加特征维度，并转为Tensor
X_train_tensors = [tf.expand_dims(tf.convert_to_tensor(seq, dtype=tf.float32), axis=-1) for seq in X_train]
y_train_tensors = tf.convert_to_tensor(y_train, dtype=tf.float32)

# 构建训练数据集并设置batch_size=1
train_dataset = tf.data.Dataset.from_tensor_slices((X_train_tensors, y_train_tensors))
train_dataset = train_dataset.batch(1)

# 同样处理测试数据
X_test_tensors = [tf.expand_dims(tf.convert_to_tensor(seq, dtype=tf.float32), axis=-1) for seq in X_test]
y_test_tensors = tf.convert_to_tensor(y_test, dtype=tf.float32)
test_dataset = tf.data.Dataset.from_tensor_slices((X_test_tensors, y_test_tensors))
test_dataset = test_dataset.batch(1)

2. 训练模型 #

保持模型结构不变，修改model.fit的输入为构建好的数据集：

es = EarlyStopping(monitor='val_accuracy', mode='max', verbose=1, patience=10)
model = Sequential()
model.add(LSTM(12, input_shape=(None, 1), return_sequences=True))
model.add(Dropout(0.2))
model.add(Dense(1, activation='sigmoid'))

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

# 使用数据集进行训练
model.fit(train_dataset, validation_data=test_dataset, epochs=1000, callbacks=[es])

补充说明 #

• tf.data.Dataset天然支持变长序列的批量处理，适合你这种不想填充序列的场景。
• tf.expand_dims用来给每个序列增加最后一个维度，匹配LSTM层要求的(None, 1)输入形状（None表示可变的序列长度，1表示单特征）。

内容的提问来源于stack exchange，提问作者Paschalis