Keras LSTM训练报错：无法将NumPy数组转换为Tensor如何解决

错误原因 #

你遇到的报错核心是输入格式不符合Keras的要求：

• 你构造的train_x是嵌套列表，且每个样本的时间步长度不统一，直接转换为NumPy数组时会生成dtype=object的不规则数组，TensorFlow无法将这类数组转换为可训练的张量，因此抛出你看到的错误。
• 直接使用不规则嵌套列表作为输入是不可行的，Keras的输入要求是结构规整的张量。

模型的明显问题 #

你的LSTM层没有指定输入形状，对于每个时间步固定5个特征的变长时序输入，你需要指定输入维度为(None, 5)，其中None代表时间步长度可变。

解决方案 #

你需要先对输入序列做对齐补齐，再配合Masking层消除填充值的影响，具体操作如下：

1. 输入预处理 #

使用Keras提供的pad_sequences工具将所有样本补齐到相同长度，短样本在末尾补0：

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

# 补齐训练集序列，默认对齐到数据集中最长样本的长度
train_x_padded = pad_sequences(train_x, padding='post', dtype='float32')
# 验证集按训练集的最大长度对齐
max_seq_len = train_x_padded.shape[1]
val_x_padded = pad_sequences(validation_x, padding='post', dtype='float32', maxlen=max_seq_len)

# 标签也转换为标准浮点数组
train_y = np.array(train_y, dtype='float32')
validation_y = np.array(validation_y, dtype='float32')

2. 修改模型结构 #

在LSTM层前添加Masking层，自动跳过补0的时间步，同时指定输入形状：

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM, Dense, Masking
from tensorflow.keras.optimizers import Adam

model = Sequential()
# mask_value对应你填充用的0值，input_shape中None代表可变时间步，5是每个时间步的特征数
model.add(Masking(mask_value=0., input_shape=(None, 5)))
model.add(LSTM(units=4, dropout=0.5))
model.add(Dense(units=4, activation='relu'))
model.add(Dense(1))
model.compile(loss='mean_absolute_error',
              optimizer=Adam())

3. 训练调用 #

用预处理后的补齐数据训练即可：

_ = model.fit(
    train_x_padded,
    train_y,
    validation_data=(val_x_padded, validation_y),
    shuffle=True,
    batch_size=16,
    epochs=10,
    verbose=2)

如果你的样本长度差距极大，填充会引入大量无效0，也可以改用TensorFlow的ragged tensor结构处理变长输入，常规小数据集使用上述padding+Masking的方案即可正常运行。

内容的提问来源于stack exchange，提问作者ilI47oPurl1a