Keras训练1D卷积模型报错：输入需为张量的解决方法

阿华AIGC实验室

2026-5-8

解决Keras训练1D卷积模型时"All inputs to the layer should be tensors"错误

咱们先直接揪出问题根源：你现在的X_train里存的全是Excel文件的路径字符串，根本没把文件里的实际数值数据读出来，也没转换成Keras要求的张量格式——Conv1D层需要的是数值张量，不是一堆文件路径，这就是报错的核心原因。

下面一步步帮你修正代码，解决这个问题：

第一步：修改数据加载逻辑，读取Excel里的实际数据

原来的create_training_data函数只收集了文件路径，现在要改成读取每个Excel文件的内容。这里用pandas来读取Excel，先确保你已经安装了pandas和openpyxl（处理xlsx格式的依赖）。

import os
import pandas as pd
import random
import numpy as np
from sklearn.model_selection import train_test_split
from tensorflow.keras.layers import Conv1D, MaxPooling1D, Flatten, Dense, Input
from tensorflow.keras.models import Model
from tensorflow.keras.utils import to_categorical

# 假设你的labels和path_dir已经提前定义好
# labels = ["类别1", "类别2", "类别3", "类别4"]
# path_dir = "你的数据根目录路径"

training_data = []
def create_training_data():
    for label in labels:
        dir_path = os.path.join(path_dir, label)
        class_num = labels.index(label)
        file_list = os.listdir(dir_path)
        for file_name in file_list:
            excel_path = os.path.join(dir_path, file_name)
            # 读取Excel数据，这里假设每个Excel里是一列一维数据，可根据你的实际格式调整
            df = pd.read_excel(excel_path, engine="openpyxl")
            # 把数据转成一维数组，比如取第一列的所有值
            data = df.iloc[:, 0].values.flatten()
            # 存储读取到的数值数据和对应标签，而不是文件路径
            training_data.append([data, class_num])

create_training_data()
print(f"总样本数：{len(training_data)}")

第二步：整理数据并划分训练测试集

现在training_data里存的是数值数据和标签，接下来把它们拆分并转换成模型需要的格式：

# 打乱数据顺序
random.shuffle(training_data)

# 拆分特征与标签
X = []
Y = []
for features, classes in training_data:
    X.append(features)
    Y.append(classes)

# 统一样本长度（如果你的Excel数据长度不一致，需要做padding或截断操作）
# 假设所有样本的序列长度为seq_len，根据你的实际数据修改
seq_len = len(X[0])
# 调整形状为Conv1D要求的(样本数, 序列长度, 通道数)，1代表单通道
X = np.array(X).reshape(-1, seq_len, 1)
Y = np.array(Y)

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, Y, test_size=0.2, random_state=42)

# 将标签转为独热编码（如果使用categorical_crossentropy损失函数则需要）
y_train = to_categorical(y_train, num_classes=4)
y_test = to_categorical(y_test, num_classes=4)

第三步：修正模型定义，用Input层指定输入形状

原来的模型直接用inp变量，现在要明确用Input层定义输入形状，确保模型接收正确的张量：

def build_model():
    kernel_size = 3
    # 定义输入层，形状与我们调整后的X数据对应
    inputs = Input(shape=(seq_len, 1))
    x = Conv1D(filters=32, kernel_size=kernel_size, activation="relu")(inputs)
    x = MaxPooling1D(2)(x)
    x = Conv1D(filters=32, kernel_size=kernel_size, activation='relu')(x)
    x = MaxPooling1D(2)(x)
    x = Conv1D(filters=64, kernel_size=kernel_size, activation='relu')(x)
    x = MaxPooling1D(2)(x)
    x = Conv1D(filters=64, kernel_size=kernel_size, activation='relu')(x)
    x = MaxPooling1D(2)(x)
    x = Flatten()(x)
    x = Dense(4, activation="softmax")(x)
    return Model(inputs=inputs, outputs=x)

# 构建模型并查看结构
model = build_model()
model.summary()

第四步：编译并训练模型

现在就可以正常编译训练了：

model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])
model.fit(X_train, y_train, epochs=10, batch_size=8, validation_data=(X_test, y_test))