使用简单神经网络处理化学组成数据时遇numpy.float64转整数错误

核心错误原因 #

你遇到的'numpy.float64' object cannot be interpreted as an integer错误，大概率是神经网络权重初始化时传入了浮点类型的维度参数。

结合你的场景分析：

• MNIST测试时你手动指定了输出层维度（如10个神经元），是整数，所以正常运行；
• 处理自有数据时，你可能通过np.max(Y_train) + 1计算类别数，但Y_train被你转成了np.float_类型，导致计算出的类别数是float64，而np.random.randn()这类生成权重的函数要求维度必须是整数，因此报错。

解决步骤 #

1. 修正类别数的整数类型转换 #

将计算出的类别数强制转换为整数，同时确保标签是合法的整数值：

# 先将标签转为整数类型（确保标签是0.0、1.0这类整数形式的浮点数）
Y_train = Y_train.astype(int)
Y_dev = Y_dev.astype(int)

# 计算类别数并转为整数
num_classes = int(np.max(Y_train)) + 1

2. 检查数据维度是否正确 #

你提到原始数据维度是25×270（24特征+1标签为行，270个样本为列），但当前代码中：

m, n = data.shape
data_train = data[60:m].T

如果data.shape是(25,270)，那么m=25，data[60:m]会取空数组（因为60>25），导致训练集为空。需要先转置数据，确保样本为行：

data = np.array(data).T  # 转置后shape为(270,25)，270个样本，每个样本25个元素（24特征+1标签）
m, n = data.shape  # m=270（样本数），n=25（特征+标签数）

3. 确认梯度循环参数为整数 #

检查梯度下降的迭代次数epochs是否为整数，避免传入100.0这类浮点值，range(epochs)要求参数必须是整数。

补充说明 #

关于preprocessing.normalize的使用：当前你是对特征行做归一化，但通常我们需要对每个样本（列）做归一化，建议指定axis=0：

X_train = preprocessing.normalize(X_train, axis=0)
X_dev = preprocessing.normalize(X_dev, axis=0)

这一步不会导致当前的整数错误，但会影响模型训练效果。

内容的提问来源于stack exchange，提问作者Angel Augusto Verbel Olarte