TensorFlow 2.9.1模型训练报错：dtype无is_floating属性

可能的原因 #

你遇到的问题核心是：尽管手动将y转为tf.float32张量并验证了类型，但model.fit内部处理时，目标数据y又被还原成了numpy.float64类型。这通常是TensorFlow数据输入环节的隐式转换逻辑导致，比如：

• TF 2.9.1对单样本标量张量的处理存在兼容性问题，批量处理时会自动将其转为numpy标量
• 若输入数据中存在张量与numpy数组混合的情况，TF可能会统一将数据转为numpy格式处理
• keras.engine.compile_utils.match_dtype_and_rank函数在匹配目标数据类型时，对单样本标量的类型判断逻辑存在偏差

解决步骤 #

• 显式固定y的张量形状：不要直接使用标量张量，将y转为形状为(1,)的tf.float32张量，避免TF隐式转换：

  y_tensor = tf.convert_to_tensor(0.0, dtype=tf.float32)
  y_tensor = tf.expand_dims(y_tensor, axis=0)  # 转为形状(1,)的张量
  

• 用tf.data.Dataset封装输入数据：将x和y打包成TF数据集，强制数据全程以张量格式流转，彻底避免隐式转换：

  dataset = tf.data.Dataset.from_tensor_slices((x_tensor, y_tensor)).batch(1)
  model.fit(dataset, epochs=...)
  

• 验证传入fit前的y类型：在调用model.fit前，打印y的类型和dtype，确认没有被意外转换：

  print(type(y_tensor))  # 应为<class 'tensorflow.python.framework.ops.EagerTensor'>
  print(y_tensor.dtype)  # 应为tf.float32
  

• 匹配损失函数的 dtype：确保损失函数的输入类型与y的张量类型一致，避免强制转换：

  model.compile(optimizer='adam', loss=tf.keras.losses.MeanSquaredError(dtype=tf.float32))
  

内容的提问来源于stack exchange，提问作者Colin