解决TypeError: Cannot iterate over a Tensor with unknown first dimension错误

1. GCN层输入格式不匹配：你用自定义的Keras Input 层直接喂给StellarGraph的GCN层，但StellarGraph的GCN层依赖FullBatchNodeGenerator生成的包含图结构（邻接矩阵）的批量输入，单独的节点特征张量缺少图拓扑信息，且维度不符合GCN要求，导致其无法处理未知第一维度的张量，触发迭代错误。
2. 概念混淆：
   • node2vec是图嵌入预训练方法，并非可直接堆叠的Keras层，不能直接接在GCN输出后使用。
   • 你错误地将随机游走生成的walks作为训练输入，GCN节点分类任务的输入应该是节点索引，而非随机游走序列。
3. 损失函数选择错误：你的任务是4分类（多分类），却使用了二分类的binary_crossentropy损失函数。

以下是修正后的完整代码，关键修改点已标注：

import numpy as np
from sklearn.metrics.pairwise import cosine_similarity
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.model_selection import train_test_split
from stellargraph import StellarGraph
from tensorflow.keras import layers, Model, optimizers
from stellargraph.mapper import FullBatchNodeGenerator
from stellargraph.layer import GCN

# --------------- 数据准备部分（保留原逻辑）---------------
pro_tweets = pprocess[0:10000]
labels = df_encoded[['label_mild', 'label_moderate', 'label_non-depressed', 'label_severe']].values

vectorizer = TfidfVectorizer()
vectors = vectorizer.fit_transform(pro_tweets).toarray()  # 转换为numpy数组，适配StellarGraph
print(vectors.shape)

similarity_matrix = cosine_similarity(vectors)
adj_matrix = np.zeros(similarity_matrix.shape)
adj_matrix[similarity_matrix > 0] = similarity_matrix[similarity_matrix > 0]

# 创建StellarGraph对象，传入节点特征和邻接矩阵
graph = StellarGraph(node_features=vectors, adjacency=adj_matrix)

# --------------- GCN模型构建（核心修改）---------------
# 1. 初始化FullBatchNodeGenerator，自动处理图结构
generator = FullBatchNodeGenerator(graph, method="gcn")

# 2. 拆分节点索引与对应标签
nodes = list(range(graph.number_of_nodes()))
train_nodes, test_nodes, train_labels, test_labels = train_test_split(nodes, labels, test_size=0.2, random_state=42)

# 3. 生成模型所需的数据流（包含图结构+节点特征）
train_gen = generator.flow(train_nodes, train_labels)
test_gen = generator.flow(test_nodes, test_labels)

# 4. 构建GCN层，获取输入输出张量
gcn = GCN(layer_sizes=[32, 16], activations=["relu", "relu"], generator=generator, dropout=0.2)
x_inp, x_out = gcn.in_out_tensors()

# 5. 构建多分类输出头
dense_layer = layers.Dense(16, activation="relu")(x_out)
output_layer = layers.Dense(4, activation="softmax")(dense_layer)

# 6. 创建并编译模型
model = Model(inputs=x_inp, outputs=output_layer)
model.compile(optimizer=optimizers.Adam(learning_rate=0.01), 
              loss="categorical_crossentropy", 
              metrics=["acc"])

# --------------- 模型训练与评估---------------
history = model.fit(train_gen, validation_data=test_gen, epochs=50, verbose=1)

# 测试集评估
test_metrics = model.evaluate(test_gen)
print(f"Test Accuracy: {test_metrics[1]:.4f}")

# 训练集评估
train_metrics = model.evaluate(train_gen)
print(f"Train Accuracy: {train_metrics[1]:.4f}")

• 将稀疏矩阵vectors转换为numpy数组：StellarGraph的node_features更适配numpy数组，避免维度兼容问题。
• 移除自定义Input层，改用FullBatchNodeGenerator：generator自动整合图的邻接矩阵和节点特征，生成GCN所需的批量输入格式。
• 修正训练输入：使用节点索引作为模型输入，通过flow方法绑定对应标签。
• 替换损失函数：用categorical_crossentropy适配4分类任务。
• 移除错误的node2vec层使用：若需结合node2vec嵌入，可先预训练得到节点嵌入，再将其作为node_features传入StellarGraph，而非直接堆叠为Keras层。

内容的提问来源于stack exchange，提问作者kini.kg