CNN模型训练失败：NumPy数组转Tensor报错排查求助
2026-8-25
问题描述
我正尝试训练一个CNN模型，使其输出格式为array([ 0., 0., 0., 0., -1.], dtype=float32)的预测结果。
训练数据
训练数据样例如下：
0 [[-1.0, -1.0, -1.0, -1.0, -1.0], [0.0, 0.0, 0.... 1 [[0.0, 0.0, 0.0, 0.0, 0.0], [1.0, 0.0, 1.0, 0.... 2 [[0.0, 0.0, 0.0, -1.0, -1.0], [0.0, 0.0, 0.0, ... 3 [[-1.0, -1.0, -1.0, -1.0, -1.0], [-1.0, -1.0, ... 4 [[-1.0, -1.0, -1.0, -1.0, -1.0], [0.0, 0.0, 0.... ... 15484 [[-1.0, -1.0, -1.0, -1.0, -1.0], [0.0, 2.0, 1.... 15485 [[-1.0, -1.0, -1.0, -1.0, -1.0], [-1.0, -1.0, ... 15486 [[-1.0, -1.0, -1.0, -1.0, -1.0], [0.0, 2.0, 0.... 15487 [[1.0, 0.0, 0.0, 0.0, 0.0], [1.0, 0.0, 0.0, 0.... 15488 [[-1.0, -1.0, -1.0, -1.0, -1.0], [-1.0, -1.0, ...
每条数据的形状为(24,5)，完整示例如下：
array([[-1., -1., -1., -1., -1.], [ 0., 0., 0., 0., 0.], [ 0., 3., 0., 0., 1.], [ 1., 0., 0., 0., 0.], [ 0., 0., 0., 0., -1.], [ 0., 1., 2., 0., 0.], [ 0., 3., 0., 0., -1.], [ 0., 1., 0., 0., -1.], [ 0., 1., 0., 0., -1.], [ 1., 0., 0., 0., 0.], [ 1., 0., 0., 0., -1.], [ 1., 0., 0., 0., 0.], [ 0., 1., 0., 0., -1.], [ 0., 0., 0., 0., 0.], [ 0., 1., 0., 0., -1.], [ 0., 0., 0., 0., -1.], [ 0., 1., 0., 0., -1.], [ 0., 1., 0., 0., 0.], [ 0., 1., 0., 0., -1.], [ 0., 0., 0., 0., -1.], [ 0., 1., 0., 0., -1.], [ 0., 0., 0., 0., 0.], [ 0., 0., 0., 0., -1.], [ 1., 2., 0., 0., -1.]], dtype=float32)
模型代码
我使用的模型定义如下：
model = tf.keras.Sequential(layers=[ tf.keras.layers.Conv2D(32,kernel_size = 3, activation=tf.nn.relu, input_shape=(28,28,1)), tf.keras.layers.BatchNormalization(), tf.keras.layers.Conv2D(32,kernel_size = 3, activation=tf.nn.relu), tf.keras.layers.BatchNormalization(), tf.keras.layers.Conv2D(32,kernel_size = 5,strides=2,padding='same', activation=tf.nn.relu), tf.keras.layers.BatchNormalization(), tf.keras.layers.Conv2D(64,kernel_size = 3, activation=tf.nn.relu), tf.keras.layers.BatchNormalization(), tf.keras.layers.Conv2D(64,kernel_size = 3, activation=tf.nn.relu), tf.keras.layers.BatchNormalization(), tf.keras.layers.Conv2D(64,kernel_size = 3, strides=2, padding='same', activation=tf.nn.relu), tf.keras.layers.BatchNormalization(), tf.keras.layers.Flatten(), tf.keras.layers.Dense(128,activation=tf.nn.relu), tf.keras.layers.BatchNormalization(), tf.keras.layers.Dense(1, activation=tf.nn.softmax)]) model.compile(optimizer=tf.keras.optimizers.Adam(0.1), loss=tf.keras.losses.CategoricalCrossentropy(), metrics=tf.keras.metrics.Accuracy())
遇到的错误
训练时出现以下错误：
ValueError: Failed to convert a NumPy array to a Tensor (Unsupported object type numpy.ndarray).
我已经尝试用tf.convert_to_tensor()转换训练数据，也试过.astype("float32")，但还是报同样的错，请问哪里操作错了？
解决方案
1. 输入形状不匹配
你的输入数据形状是(24,5)，但模型的Conv2D输入定义为input_shape=(28,28,1)，两者完全不匹配。Conv2D需要3维输入（高度、宽度、通道数），你需要调整数据形状并修改模型输入定义：
- 将
(24,5)的数据扩展维度为(24,5,1)，同时把模型的input_shape改为(24,5,1)。
2. 输出层设置错误
你期望输出是长度为5的数组，但当前输出层是Dense(1, activation=tf.nn.softmax)，只会输出长度为1的结果。需要修改为：
tf.keras.layers.Dense(5) # 若为回归任务无需激活函数；若为分类任务再根据需求选择激活函数
另外，你使用的CategoricalCrossentropy损失适用于one-hot编码的分类标签，但你的输出包含-1值，显然不属于分类场景，建议改用MeanSquaredError这类回归损失。
3. 数据格式规整化
错误提示无法转换NumPy数组为Tensor，大概率是训练数据不是规整的NumPy数组（比如是列表嵌套数组、单条数据形状不一致）。可以用以下代码确保数据格式正确：
import numpy as np # 假设训练数据存储在train_data列表中 train_data = np.array(train_data, dtype=np.float32) # 扩展通道维度，适配Conv2D输入要求 train_data = np.expand_dims(train_data, axis=-1)
4. 其他细节优化
- Adam优化器的学习率设为0.1过大，通常建议从0.001开始尝试
Accuracy指标适用于分类任务，若为回归任务应改用MeanAbsoluteError、MeanSquaredError这类指标
内容的提问来源于stack exchange，提问作者SidMenon
相关产品推荐
相关产品推荐
