TensorFlow/AutoKeras加载模型预测报错：NumPy数组转Tensor失败

问题核心原因 #

报错ValueError: Failed to convert a NumPy array to a Tensor (Unsupported object type float)90%以上的触发原因是待预测的object类型列中隐式存在np.nan空值——这类空值本身是float类型，混在object类型列中时，哪怕你做过全局类型转换，只要没提前把空值替换成固定类型值，转Tensor时就会识别到非法的float对象直接报错。
之前尝试的类型转换方案无效，本质是没处理混合类型的根源：直接对含np.nan的object列调用astype(str)，只会把np.nan转成字符串"nan"，但如果转换前存在列类型推断不一致、部分行值类型不匹配的问题，还是会残留float类型值；直接把DataFrame转numpy数组也会保留原列内的混合类型问题。
除此之外，直接传入DataFrame给AutoKeras加载后的模型、保存模型时未导出正式生产模型导致预处理层丢失，也会放大这个问题。

可直接落地的解决步骤 #

• 第一步：清洗待预测数据，彻底消除列内混合类型问题
  先对空值做统一填充，再做类型转换，从根源去掉混存的float类型值：

  import numpy as np
  import pandas as pd
  
  df = df_from_csv_file.copy()
  # 处理数值列：填充空值后统一转float32，兼容TensorFlow默认类型要求
  num_cols = df.select_dtypes(include=["int64", "float64"]).columns
  df[num_cols] = df[num_cols].fillna(0).astype(np.float32)
  # 处理object类型列：先把所有空值替换成固定字符串，再统一转str类型，彻底清除列内的float类型nan
  obj_cols = df.select_dtypes(include=["object"]).columns
  df[obj_cols] = df[obj_cols].fillna("missing").astype(str)
  

• 第二步：调整输入格式，对齐AutoKeras结构化模型的输入要求
  不要直接传入二维DataFrame或者numpy数组，转成「列名对应列值数组」的字典格式，和训练时AutoKeras自动解析的输入结构完全对齐：

  predict_input = {col: df[col].values for col in df.columns}
  

  可以跑一段校验代码确认没有残留的非法类型：

  # 抽样检查前100行的元素类型，确认没有float混在object列
  for col_name, col_values in predict_input.items():
      type_set = set(type(v) for v in col_values[:100])
      assert len(type_set) == 1, f"列{col_name}存在混合类型：{type_set}"
  

• 第三步：修正模型保存/加载逻辑，避免预处理层丢失
  如果之前是直接拿训练过程中的临时model对象保存，建议回到训练代码重新导出正式模型再存储，避免AutoKeras内置的分类特征编码、缺失值处理层丢失：

  # 训练完成后，从你的AutoKeras任务对象（StructuredDataClassifier/Regressor）导出正式模型
  # 不要直接用fit过程中返回的临时model变量保存
  final_model = ak_task.export_model() # ak_task替换成你初始化的AutoKeras任务变量名
  final_model.save("model_autokeras", save_format="tf")
  
  # 加载模型时保留原有custom_objects参数即可
  from tensorflow.keras.models import load_model
  import autokeras as ak
  loaded_model = load_model("model_autokeras", custom_objects=ak.CUSTOM_OBJECTS)
  

• 第四步：执行预测
  传入处理好的字典格式输入即可正常出结果：

  predicted = loaded_model.predict(predict_input)
  

常见踩坑提醒 #

• 不要在读取CSV时随意设置dtype参数强制转类型，否则会把空值位置的类型搞乱，必须先填充空值再转类型
• 如果object列是分类特征，不需要手动做独热编码或者标签编码，AutoKeras导出的模型内置了对应的预处理逻辑，手动编码反而会因为和训练时编码规则不一致导致预测结果错误
• 待预测数据的列名、列顺序必须和训练时完全一致，多列、少列、列名写错都会触发其他报错

内容的提问来源于stack exchange，提问作者lvfmc85