Keras文本分类遇UnimplementedError：图执行错误求助

核心错误原因 #

1. 分类任务与模型配置不匹配：你的数据是三分类任务（标签为positivo/negativo/neutro），但当前模型使用了二分类的输出层（Dense(1, activation='sigmoid')），且默认损失函数为binary_crossentropy，导致标签无法被正确转换为二分类所需的数值类型，触发Cast节点错误。
2. 标签未编码：y_train/y_test是字符串类型的标签，Keras无法直接处理，必须转换为数值型编码。
3. 输入数据类型问题：CountVectorizer输出的是稀疏矩阵，TensorFlow对稀疏矩阵的支持有限，容易引发执行错误。

分步修复 #

1. 修正标签编码 #

使用LabelEncoder将字符串标签转换为整数编码（0/1/2），适合搭配sparse_categorical_crossentropy损失函数：

from sklearn.preprocessing import LabelEncoder

encoder = LabelEncoder()
y_train = encoder.fit_transform(y_train)
y_test = encoder.transform(y_test)

如果偏好独热编码，可使用OneHotEncoder，此时需搭配categorical_crossentropy损失：

from sklearn.preprocessing import OneHotEncoder
import numpy as np

encoder = OneHotEncoder(sparse_output=False)
y_train = encoder.fit_transform(y_train.reshape(-1, 1))
y_test = encoder.transform(y_test.reshape(-1, 1))

2. 转换输入数据为密集矩阵 #

将CountVectorizer生成的稀疏矩阵转换为密集矩阵：

X_train = X_train.toarray()
X_test = X_test.toarray()

3. 修正模型结构与编译 #

根据三分类任务调整模型输出层，并指定正确的损失函数：

• 若使用整数编码标签：

model = Sequential()
model.add(layers.Dense(10, input_dim=input_dim, activation='relu'))
model.add(layers.Dense(3, activation='softmax'))  # 三分类对应3个输出单元，激活用softmax

model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',  # 整数编码用这个损失
              metrics=['accuracy'])

• 若使用独热编码标签：

model = Sequential()
model.add(layers.Dense(10, input_dim=input_dim, activation='relu'))
model.add(layers.Dense(3, activation='softmax'))

model.compile(optimizer='adam',
              loss='categorical_crossentropy',  # 独热编码用这个损失
              metrics=['accuracy'])

4. 重新训练模型 #

现在执行model.fit即可正常运行：

history = model.fit(X_train, y_train,
                    epochs=100,
                    verbose=True,
                    validation_data=(X_test, y_test),
                    batch_size=10)

额外注意事项 #

• 原始代码中缺少model.compile()步骤，这是Keras模型训练的必要环节，必须先编译再训练。
• 若数据集较大，toarray()可能占用较多内存，可考虑改用TensorFlow的tf.convert_to_tensor直接转换稀疏矩阵，或使用Embedding层替代CountVectorizer进行文本预处理（更适合深度学习场景）。

内容的提问来源于stack exchange，提问作者Pedro Fernández