构建CNN模型时遇类型转换错误：请求int64但输入为float32

尝试构建模型（注：代码中实际为全连接网络，非CNN）时出现类型转换错误，已尝试手动类型转换但未解决，相关代码及报错如下：

相关代码 #

自定义评分函数 #

C1, C2 = tf.constant(70, dtype='float32'), tf.constant(1000, dtype="float32")

def score(y_true, y_pred):
    tf.dtypes.cast(y_true, tf.float32)
    tf.dtypes.cast(y_pred, tf.float32)
    sigma = y_pred[:, 2] - y_pred[:, 0]
    fvc_pred = y_pred[:, 1]

    # sigma_clip = sigma + C1
    sigma_clip = tf.maximum(sigma, C1)
    delta = tf.abs(y_true[:, 0] - fvc_pred)
    delta = tf.minimum(delta, C2)
    sq2 = tf.sqrt(tf.dtypes.cast(2, dtype=tf.float32))
    metric = (delta / sigma_clip) * sq2 + tf.math.log(sigma_clip * sq2)

    return K.mean(metric)

自定义损失函数 #

def mloss(_lambda):
    def loss(y_true, y_pred):
        return _lambda * qloss(y_true, y_pred) + (1 - _lambda) * score(y_true, y_pred)

    return loss

模型构建代码 #

def make_model():
    z = L.Input((9,), name="Patient")
    x = L.Dense(100, activation="relu", name="d1")(z)
    x = L.Dense(100, activation="relu", name="d2")(x)
    
    p1 = L.Dense(3, activation="linear", name="p1")(x)
    p2 = L.Dense(3, activation="relu", name="p2")(x)
    preds = L.Lambda(lambda x: x[0] + tf.cumsum(x[1], axis=1), name="preds")([p1, p2])

    model = M.Model(z, preds, name="CNN")

    model.compile(loss=mloss(0.8), optimizer="adam", metrics=[score])
    return model

训练代码 #

net = make_model()

net.fit(z[tr_idx], y[tr_idx], batch_size=200, epochs=1000,
        validation_data=(z[val_idx], y[val_idx]), verbose=0)

报错信息 #

ValueError: Tensor conversion requested dtype int64 for Tensor with dtype float32: <tf.Tensor 'CNN/preds/add:0' shape=(None,3) dtype=float32>

错误原因及解决方案 #

核心问题 #

1. 评分函数中类型转换未生效：tf.dtypes.cast是返回新张量的函数，不会原地修改原变量，原代码中仅调用转换但未将结果赋值给y_true/y_pred，导致后续计算时原变量仍保持int64类型，与模型输出的float32张量冲突。
2. 输入/标签数据类型不匹配：训练数据z或标签y可能是int64类型，与模型输出的float32类型不兼容，触发类型转换请求失败。

修复步骤 #

1. 修正评分函数的类型转换：将转换后的张量重新赋值给原变量，确保类型统一：

def score(y_true, y_pred):
    y_true = tf.dtypes.cast(y_true, tf.float32)  # 赋值生效
    y_pred = tf.dtypes.cast(y_pred, tf.float32)  # 赋值生效
    sigma = y_pred[:, 2] - y_pred[:, 0]
    fvc_pred = y_pred[:, 1]

    sigma_clip = tf.maximum(sigma, C1)
    delta = tf.abs(y_true[:, 0] - fvc_pred)
    delta = tf.minimum(delta, C2)
    sq2 = tf.sqrt(tf.dtypes.cast(2, dtype=tf.float32))
    metric = (delta / sigma_clip) * sq2 + tf.math.log(sigma_clip * sq2)

    return K.mean(metric)

2. 统一训练数据类型：在训练前将输入数据和标签转换为float32：

z = z.astype('float32')
y = y.astype('float32')

3. 检查qloss函数：如果qloss涉及y_true和y_pred的运算，同样需要确保类型统一，避免类似冲突。

内容的提问来源于stack exchange，提问作者Quan Do