在Google Colab训练稠密神经网络时遇TypeError错误求助

嘿，我一眼就看到你在Colab训练稠密神经网络时踩的这个小坑了——这个TypeError的根源其实很简单，就是损失函数的传参方式错了。

问题原因 #

你在model.compile()里写的是：

model.compile(optimizer='adam', loss = tf.keras.losses.BinaryCrossentropy, metrics=['accuracy'])

这里你把BinaryCrossentropy这个类本身传进去了，但Keras需要的是这个类的实例（也就是调用这个类创建的对象），或者直接用它的字符串别名'binary_crossentropy'。当你传入类而不是实例时，TensorFlow无法将它转换为计算所需的张量，自然就抛出了这个错误。

两种快速修复方案 #

方案1：用字符串别名（最简单）

直接用Keras内置的损失函数字符串别名，这是最常用也最简洁的写法：

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

方案2：实例化损失函数类（适合自定义参数）

如果你需要给损失函数加自定义参数（比如处理未经过激活的logits输出），就需要把类实例化：

# 普通实例化
model.compile(optimizer='adam', loss=tf.keras.losses.BinaryCrossentropy(), metrics=['accuracy'])

# 如果最后一层没加sigmoid激活，就加上from_logits=True
# model.compile(optimizer='adam', loss=tf.keras.losses.BinaryCrossentropy(from_logits=True), metrics=['accuracy'])

额外的两个重要优化点 #

除了修复错误，你的代码还有两个潜在问题需要调整，不然训练效果可能会很差：

• 二分类任务的最后一层激活函数：你的模型最后一层是Dense(1)没有激活函数，输出的是任意实数，而BinaryCrossentropy默认期望输入是0-1之间的概率值。所以要么给最后一层加上sigmoid激活：

  model = tf.keras.Sequential([
   tf.keras.layers.Dense(22, activation='relu'),
   tf.keras.layers.Dense(10, activation='relu'),
   tf.keras.layers.Dense(1, activation='sigmoid')  # 添加sigmoid激活
  ])
  

  要么在损失函数里设置from_logits=True，告诉损失函数输入是未经过激活的原始输出。

• 数据集批处理：你直接把单个样本的数据集传给model.fit，训练效率极低，还可能导致模型难以收敛。建议加上批处理：

  train_dataset = train_dataset.batch(32)  # 批量大小可以根据你的数据量调整，比如16、64等
  test_dataset = test_dataset.batch(32)
  

修复后的完整代码 #

import functools
import numpy as np
import pandas as pd
import tensorflow as tf
from tensorflow import keras
from google.colab import drive
drive.mount('/content/drive')
train_file_path = "/content/drive/My Drive/Colab Notebooks/1111_train.csv"
test_file_path = "/content/drive/My Drive/Colab Notebooks/1111_test.csv"
df_train = pd.read_csv(train_file_path)
df_test = pd.read_csv(test_file_path)

train_target = df_train.pop('22')
test_target = df_test.pop('22')
train_dataset = tf.data.Dataset.from_tensor_slices((df_train.values, train_target.values))
test_dataset = tf.data.Dataset.from_tensor_slices((df_test.values, test_target.values))

# 添加批处理
train_dataset = train_dataset.batch(32)
test_dataset = test_dataset.batch(32)

model = tf.keras.Sequential([
 tf.keras.layers.Dense(22, activation='relu'),
 tf.keras.layers.Dense(10, activation='relu'),
 tf.keras.layers.Dense(1, activation='sigmoid')  # 二分类任务添加sigmoid激活
])
# 使用字符串别名的损失函数
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])
model.fit(train_dataset, epochs=15)

内容的提问来源于stack exchange，提问作者Rudolf Pablico