如何在TensorFlow中输入多维数组并解决NumPy转Tensor类型报错问题

报错根因 #

• 你的play_features DataFrame 每个单元格存储的是列表/数组对象，直接调用to_numpy()得到的是object类型的嵌套数组，TensorFlow 无法直接将这类结构转换为张量。
• 你的样本特征、标签都存在单样本长度不一致的问题：previous_player_placed_card列第一个样本长度为3、第二个为1，标签play_label第一个样本长度为3、第二个为1，也会导致张量转换失败。
• 你当前定义的模型输出层只有1个神经元，和标签的长度也不匹配，即便解决张量转换问题也会触发维度不匹配报错。

修正代码步骤 #

第一步：特征标准化处理 #

将每个样本的所有特征拼接为固定长度的一维向量，长度不足的部分填充0：

import numpy as np

def process_feature_row(row):
    # 对长度不固定的previous_player_placed_card统一填充到长度3
    padded_prev_card = np.pad(
        row["previous_player_placed_card"],
        pad_width=(0, 3 - len(row["previous_player_placed_card"])),
        constant_values=0
    )
    # 拼接所有特征为一维向量
    return np.concatenate([
        row["enemy_class"],
        row["player_class"],
        row["player_cards"],
        row["enemy_cards"],
        padded_prev_card
    ])

# 转换为形状为(样本数, 特征维度)的浮点数组
processed_features = np.array(
    play_features.apply(process_feature_row, axis=1).tolist(),
    dtype=np.float32
)

第二步：标签标准化处理 #

根据你的业务需求统一标签长度，示例中统一填充到长度3：

def process_label(label):
    # 统一标签长度为3，不足补0
    return np.pad(label, pad_width=(0, 3 - len(label)), constant_values=0)

processed_labels = np.array(
    play_label.apply(process_label).tolist(),
    dtype=np.float32
)

如果你的业务逻辑中标签应该为单个数值，可调整填充长度为1，或者直接取标签数组的第一个元素。

第三步：调整模型结构并训练 #

显式指定模型输入维度，输出层神经元数量和标签长度保持一致：

import tensorflow as tf
from tensorflow.keras import layers

play_model = tf.keras.Sequential([
    # 输入维度和处理后的特征维度对齐
    layers.Input(shape=(processed_features.shape[1],)),
    layers.Dense(64, activation="relu"),
    # 输出维度和标签长度对齐，如果标签统一为1个值则改为1
    layers.Dense(3)
])

play_model.compile(
    loss=tf.losses.MeanSquaredError(),
    optimizer=tf.optimizers.Adam()
)

# 使用处理好的标准数组训练
play_model.fit(processed_features, processed_labels, epochs=10)

内容的提问来源于stack exchange，提问作者Paul Moises Turcato