TensorFlow NLP课程实验报错：NumPy数组转Tensor失败

问题现象 #

运行模型时持续报错：Failed to convert a NumPy array to a Tensor (Unsupported object type list)，尝试用.astype()转换标签时出现setting an array with a sequence错误。

核心问题定位 #

1. 标签生成逻辑严重错误 #

在parse_data_from_file函数中，循环内错误添加了labels.append(labels)代码，导致每次迭代都把整个labels列表嵌套追加到自身，最终labels变成多层嵌套的列表结构（而非一维的0/1标签数组）。这种嵌套结构转NumPy数组时，因元素长度不一致触发序列不匹配错误。

2. 模型结构维度不兼容 #

• LSTM层设置return_sequences=True后，输出维度为(batch_size, MAXLEN, 64)，后续直接接Dense(1)层会导致维度不匹配；
• 最后连续设置sigmoid+relu两层Dense，不符合二分类任务的输出逻辑——sigmoid已输出0-1概率值，额外relu层会破坏概率分布。

修复步骤 #

第一步：修正标签生成函数 #

删除错误的嵌套追加代码，正确生成一维标签列表：

def parse_data_from_file(filename):
    sentences = []
    labels = []
    
    with open(filename, 'r') as csvfile:
        reader = csv.reader(csvfile, delimiter=",")
        for row in reader:
            sentences.append(row[5])
            # 正确添加0/1二分类标签
            labels.append(0 if row[0] == '0' else 1)
                
    return sentences, labels

第二步：调整模型结构 #

修正LSTM输出维度，移除多余Dense层，适配二分类任务：

def create_model(vocab_size, embedding_dim, maxlen, embeddings_matrix):
    model = tf.keras.Sequential([
        tf.keras.layers.Embedding(vocab_size+1, embedding_dim, input_length=maxlen, weights=[embeddings_matrix], trainable=False),
        tf.keras.layers.Dropout(0.2),
        tf.keras.layers.Conv1D(64, 5, activation='relu'),
        tf.keras.layers.MaxPooling1D(pool_size=4),
        # 关闭return_sequences，输出维度适配后续Dense层
        tf.keras.layers.LSTM(64, activation='relu'),
        # 仅保留sigmoid输出层，输出二分类概率
        tf.keras.layers.Dense(1, activation='sigmoid')
    ])
    
    model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy']) 

    return model

第三步：验证标签维度 #

修正后，转NumPy数组的标签应为一维结构，可通过以下代码确认：

train_labels = np.asarray(train_labels)
val_labels = np.asarray(val_labels)
print(train_labels.shape)  # 预期输出：(144000,)
print(val_labels.shape)    # 预期输出：(16000,)

额外优化建议 #

• 确认CSV列索引：检查row[0]（标签列）和row[5]（文本列）是否与数据集格式匹配，避免数据错位；
• 监控过拟合：训练时可增加epochs（5-10次），对比训练/验证准确率，若出现过拟合可进一步增加Dropout比例或简化模型结构。

内容的提问来源于stack exchange，提问作者Kaustubh