Colab运行TensorFlow DNN训练CLV模型报错ValueError: Expect x to be non-empty

问题排查与解决步骤 #

• 第一步：校验输入数据集的基本信息
  运行以下代码确认数据集维度匹配、无空值：

  print("X_train维度：", X_train.shape)
  print("y_train维度：", y_train.shape)
  print("X_train是否存在空值：", X_train.isnull().any().any())
  print("y_train是否存在空值：", y_train.isnull().any())
  

  重点确认X_train和y_train的第一维数值完全一致，且都大于0。
• 第二步：统一输入数据格式
  低版本Keras对pandas DataFrame输入的解析存在兼容问题，建议手动转换为numpy数组后传入fit方法，修改对应代码为：

  early_history = model.fit(X_train.values, y_train.values, 
                      epochs=EPOCHS, validation_split = 0.2, verbose=0, 
                      callbacks=[early_stop, tfdocs.modeling.EpochDots()])
  

  测试阶段可以先去掉回调参数，验证基础训练逻辑是否正常：

  # 最简测试代码
  model = build_model()
  test_history = model.fit(X_train.values, y_train.values, epochs=2, validation_split=0.2)
  

• 第三步：核对数据集拆分逻辑
  确认此前拆分训练集、测试集的代码没有参数错误，比如train_test_split的test_size参数是否设置过大、是否误将测试集赋值给了X_train变量。
• 第四步：确认模型输入形状和数据集匹配
  运行以下代码核对输入特征数是否一致：

  print("模型定义的输入特征数：", len(X_train.columns))
  print("实际X_train的特征数：", X_train.shape[1])
  

  两者必须完全相等，如果你在定义模型后修改过X_train的特征，需要重新运行build_model()生成新的模型再训练。
• 第五步：排查框架版本兼容问题
  打印TensorFlow版本确认版本稳定性：

  import tensorflow as tf
  print(tf.__version__)
  

  如果你使用的是2.0以下的旧版本，建议升级到2.7~2.15之间的稳定版，避免框架本身的bug。

内容的提问来源于stack exchange，提问作者timmy