CNN图像训练报错：无法将NumPy数组转换为Tensor

问题根源 #

1. 特征数据格式错误：feature_train.values是由嵌套numpy数组组成的object类型数组，TensorFlow无法直接解析这种结构，需要转换为统一形状的多维数值数组。
2. 标签格式不匹配：模型使用categorical_crossentropy损失函数，要求标签为one-hot编码格式，但当前标签是int64类型的一维数组，不符合要求。

修复步骤 #

1. 转换特征数据为标准4D数组 #

使用np.stack()将Series中的嵌套数组合并为一个完整的4D数组（样本数×高度×宽度×通道数）：

import numpy as np

# 转换所有特征集
feature_train_arr = np.stack(feature_train.values)
feature_val_arr = np.stack(feature_val.values)
feature_test_arr = np.stack(feature_test.values)

转换后数组形状应为(样本数量, 224, 224, 3)，与模型输入层定义一致。

2. 对标签进行One-Hot编码 #

因为模型是5分类任务，用to_categorical将整数标签转为one-hot格式：

from tensorflow.keras.utils import to_categorical

# 转换所有标签集
class_train_onehot = to_categorical(class_train.values, num_classes=5)
class_val_onehot = to_categorical(class_val.values, num_classes=5)
class_test_onehot = to_categorical(class_test.values, num_classes=5)

3. 修正模型训练代码 #

替换输入数据为转换后的数组，同时移除validation_split=0.2（已手动划分验证集，避免重复拆分）：

# 修正后的训练调用
model_training_history = model.fit(
    x=feature_train_arr, 
    y=class_train_onehot, 
    epochs=50, 
    batch_size=4, 
    shuffle=True, 
    validation_data=(feature_val_arr, class_val_onehot),
    callbacks=[early_stopping_callback]
)

额外验证项 #

• 检查所有图像数组的形状是否统一为(224,224,3)，若存在形状不一致的样本，需提前预处理调整尺寸。
• 确认图像数据已完成归一化（如缩放到[0,1]区间），符合CNN输入规范。

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