拟合ML模型时报NumPy数组转Tensor错误该如何排查解决？

报错根因 #

错误触发和你猜测的归一化操作直接相关：tf.keras.preprocessing.Normalization层调用后返回的是TensorFlow EagerTensor类型，你直接将返回结果赋值给pandas DataFrame的列时，每个单元格存储的是Tensor实例而非纯数值。后续你将DataFrame转换为numpy数组时，数组元素类型为object（存储Tensor对象），模型拟合时要求输入为纯数值张量，转换失败就抛出了对应报错。

同时你当前的特征处理逻辑存在额外问题：特征列中包含TimeStamp日期格式、Version类别特征，未做数值化处理直接喂入模型也会导致训练异常。

修复方案 #

1. 修复归一化赋值逻辑 #

将归一化结果调用.numpy()方法转换为纯数值numpy数组后，再赋值给DataFrame：

# 原代码
# train_df[numeric_features] = normalizer(train_df[numeric_features].values)
# 修改为
train_df[numeric_features] = normalizer(train_df[numeric_features].values).numpy()

# 测试集归一化时也要做相同处理，避免验证阶段报错
test_df[numeric_features] = normalizer(test_df[numeric_features].values).numpy()

2. 完成非数值特征转换 #

• 对TimeStamp日期列做拆解：可转换为时间戳数值，或拆解为年、月、日、星期几等离散/连续数值特征
• 对Version列做编码：如果是离散类别特征，做独热编码或标签编码；如果是连续数值特征可直接保留，确认特征业务含义后选择对应处理方式即可。

3. 输入校验（可选） #

模型拟合前可增加两行校验代码，提前排查格式问题：

# 确认特征数组为数值类型，不是object
assert train_X.dtype in [np.float32, np.float64, np.int32, np.int64]
# 确认标签数组为数值类型
assert train_Y.dtype in [np.float32, np.float64, np.int32, np.int64]

内容的提问来源于stack exchange，提问作者user16599218