拟合Keras模型时报Failed to convert a NumPy array to a Tensor错误原因是什么

报错核心原因如下：

1. 输入的整数序列长度不一致，嵌套列表无法转换为规则张量结构
2. Embedding层的input_length参数配置错误，误将训练样本总数NR_OF_TRAINING_VECTORS作为单条序列的长度参数传入
3. 输入和标签保留嵌套列表结构，未转换为Keras可识别的数值数组格式

解决方案 #

步骤1：统一输入序列长度

使用Keras自带的pad_sequences工具统一所有序列长度，自动处理长序列截断、短序列补0的逻辑，无需手动循环处理：

from tensorflow.keras.preprocessing.sequence import pad_sequences
import numpy as np

# 自定义单条序列的固定长度，可根据你的数据分布调整
MAX_SEQ_LENGTH = 10
trainingInput = pad_sequences(
    trainingInput,
    maxlen=MAX_SEQ_LENGTH,
    padding='post', # 短序列在末尾补0
    truncating='post' # 长序列在末尾截断
)

步骤2：处理标签格式

将嵌套的标签列表转换为一维数组，去掉多余的嵌套层级：

trainingLabels = np.array(trainingLabels).reshape(-1)

步骤3：修正模型参数

把Embedding层的input_length参数改为你设置的单条序列固定长度，不要使用训练样本总数作为参数值：

model = Sequential()
# 这里input_length参数替换为自定义的序列长度
model.add(Embedding(DICTIONNARY_SIZE, 120, input_length = MAX_SEQ_LENGTH))
model.add(SpatialDropout1D(0.4))
model.add(LSTM(176, dropout=0.2, recurrent_dropout=0.2))
model.add(Dense(1,activation='sigmoid'))
model.compile(loss = 'binary_crossentropy', optimizer='adam', metrics = ['accuracy'])

步骤4：训练模型

直接传入处理好的数组即可，batch_size建议使用32、64这类常规小批量值，不要设置为全量训练样本数，避免内存溢出：

model.fit(trainingInput, trainingLabels, epochs = 5, batch_size=32, verbose = 'auto')

内容的提问来源于stack exchange，提问作者lemuel