Keras模型训练时无法将列表转换为张量报错该如何解决？

核心原因 #

三个连锁报错的本质是输入的X_train、y1_target、y2_target为嵌套列表结构，未转换为规整的同维度数值数组，部分元素不符合索引/张量转换要求。 #

分步解决方法 #

1. 规整输入特征X_train #

首先将嵌套列表转换为形状为(样本数, 19)的规整float32数组，适配模型输入要求：

import numpy as np

# 转换为规整numpy数组
X_train = np.array(X_train, dtype=np.float32)
# 校验形状是否符合要求
print("X_train形状：", X_train.shape)
assert X_train.shape[1] == 19, "每个样本的特征维度必须为19"

如果运行np.array时报错，说明X_train中存在长度不等于19的样本，需要先清洗数据保证所有样本的特征长度一致。

2. 规整标签数据 #

因为你使用KL散度作为损失函数，标签应为长度19的概率分布，同样转换为规整数组：

y1_target = np.array(y1_target, dtype=np.float32)
y2_target = np.array(y2_target, dtype=np.float32)
# 校验标签形状
print("y1形状：", y1_target.shape, "y2形状：", y2_target.shape)
assert y1_target.shape == X_train.shape and y2_target.shape == X_train.shape, "标签维度与输入特征维度不匹配"

3. 修正冗余模型代码 #

你开头定义的Sequential()没有实际作用，直接用函数式API的代码即可：

import tensorflow as tf
from tensorflow import keras
from tensorflow.keras.layers import Dense

inputs = keras.Input(shape=(19,))
layer1 = Dense(38, activation='relu')(inputs)
layer2 = Dense(19, activation='relu')(layer1)
layer3 = Dense(38, activation='relu')(layer2)

outputs1 = Dense(19, activation='softmax', name='loss1')(layer3)
outputs2 = Dense(19, activation='softmax', name='loss2')(layer3)

model = keras.Model(inputs=inputs, outputs=[outputs1, outputs2])
model.compile(
    loss=['kullback_leibler_divergence', 'kullback_leibler_divergence'],
    metrics=['accuracy'],
    optimizer='adam',
    loss_weights=[1.0, 1.0]
)
# 启动训练
model.fit(X_train, [y1_target, y2_target], epochs=10, batch_size=64)

额外说明 #

之前vector_seq函数报错的原因是：该函数是用于单整数类标转one-hot编码的，要求循环中的sequence是整数类标，但你传入的sequence是长度为19的列表，不属于合法的数组索引类型，如果你不需要做one-hot编码直接删除该函数即可。

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