Conv1D神经网络预测结果传入Dash生成图表报TypeError问题求助

问题根因排查 #

• 核心错误1：Dash回调参数不匹配
  你定义的回调仅传入1个输入参数（下拉框选中值），但update_figure函数声明了3个参数，多出来的X_countyname、y_countyname未在回调的Input/State中声明，Dash传递参数时出现类型不匹配，最终触发Keras底层运算时的格式化报错。
• 错误2：缺少Dash布局声明
  代码中仅生成了下拉框选项列表，但没有声明应用的页面布局，未定义ID为opt的下拉框和ID为plot的图表组件，回调触发时无法找到对应组件。
• 潜在问题：Keras与TensorFlow版本不兼容
  独立安装的Keras版本与本地TensorFlow版本不匹配时，也会触发底层策略运算的字符串格式化异常。

修复方案 #

1. 修正回调参数 #

X_countyname和y_countyname是全局加载的数据集，无需作为回调参数传入，直接修改回调函数定义即可：

@app.callback(Output('plot', 'figure'),[Input('opt', 'value')])
def update_figure(input):
    # 原有逻辑不变，直接使用全局的X_countyname、y_countyname即可

2. 补充Dash布局代码 #

在回调声明前、变量opts定义后补充布局代码：

app.layout = html.Div([
    html.H3('县域就业人数预测可视化'),
    dcc.Dropdown(id='opt', options=opts, value=features[0]),
    dcc.Graph(id='plot')
])

3. 修复Keras导入路径（解决版本兼容问题） #

将所有Keras相关的导入语句改为从TensorFlow中导入，避免版本冲突：

from tensorflow.keras.layers import (
    Conv1D,
    Dense,
    Dropout,
    Input,
    Concatenate,
    GlobalMaxPooling1D,
    MaxPooling1D,
    Flatten,
)
from tensorflow.keras.models import Model, Sequential

4. 可选优化（提升运行速度） #

当前每次切换下拉选项都会重新训练模型，建议将模型训练逻辑移到全局作用域，应用启动时仅训练一次，回调中仅执行预测逻辑，大幅提升交互响应速度。

内容的提问来源于stack exchange，提问作者Erin