多输入输出训练模型报错：AttributeError: 'numpy.ndarray'无strip属性

我帮你分析下这个问题：从你给出的X_train打印结果能看到，这个数组里混合了字符串类型的图片路径和数值类型的浮点数特征，而strip()是字符串专属的方法——报错的原因肯定是你的batcher生成器函数里，不小心对数值类型的元素调用了strip()，数值类型（比如float）根本没有这个方法，自然就抛出AttributeError了。

下面给你几个具体的解决思路：

1. 修正batcher函数的处理逻辑，区分不同类型的数据 #

你的batcher是负责生成训练批次的核心，必须针对性处理X_train里的两种数据：

• 对图片路径字符串：可以正常调用strip()清理可能的空格，然后加载图片转成数组；
• 对数值特征：直接保留原数值，绝对不要对它们调用字符串相关方法。

给你一个简单的修正示例（假设batcher原来的逻辑有误）：

import os
from tensorflow.keras.preprocessing.image import load_img, img_to_array
import numpy as np

def batcher(data_dir, X, y, batch_size, is_train):
    # 假设你的输入图片尺寸是(224,224,3)，可根据实际调整
    img_height, img_width = 224, 224
    while True:
        # 按批次遍历数据
        for i in range(0, len(X), batch_size):
            batch_X = X[i:i+batch_size]
            batch_y = y[i:i+batch_size]
            
            # 拆分图片路径和数值特征
            batch_img_paths = batch_X[:, 0]
            batch_numeric_feats = batch_X[:, 1].astype(np.float32)
            
            # 处理图片路径：只对字符串调用strip()
            processed_imgs = []
            for path in batch_img_paths:
                # 仅清理路径字符串的空格
                clean_path = path.strip()
                img = load_img(os.path.join(data_dir, clean_path), target_size=(img_height, img_width))
                img_array = img_to_array(img)
                processed_imgs.append(img_array)
            processed_imgs = np.array(processed_imgs)
            
            # 组合成多输入格式，适配你的多输入模型
            inputs = [processed_imgs, batch_numeric_feats]
            yield inputs, batch_y

2. 改用model.fit()替代fit_generator（TF2.x版本推荐） #

如果你用的是TensorFlow 2.x，fit_generator已经被官方弃用了，直接用model.fit()就能完美处理生成器，兼容性更好。注意要把原来的samples_per_epoch和nb_val_samples换成步数（总样本数除以批次大小）：

# 替换原来的fit_generator调用
history = model.fit(
    batcher(data_dir, X_train, y_train, batch_size, True),
    steps_per_epoch=samples_per_epoch // batch_size,  # 总样本数/批次大小=步数
    epochs=nb_epoch,
    validation_data=batcher(data_dir, X_valid, y_valid, batch_size, False),
    validation_steps=len(X_valid) // batch_size,
    callbacks=[checkpoint],
    verbose=1
)

3. 提前拆分数据，避免混合类型数组的混淆 #

X_train是混合了字符串和数值的object类型numpy数组，这种类型很容易引发处理错误。建议提前把它拆成两个独立的数组：

def train_model(model, X_train, X_valid, y_train, y_valid):
    """ Train the model """
    checkpoint = ModelCheckpoint('model-{epoch:03d}-Hunet-LSTM-Canny_Final_bc50.h5', monitor='val_loss', verbose=0, save_best_only=True, mode='auto')
    model.compile(loss='mse', optimizer=Adam(lr=0.0001))
    
    # 拆分X为图片路径数组和数值特征数组
    img_paths_train = X_train[:, 0]
    numeric_feats_train = X_train[:, 1].astype(np.float32)
    img_paths_valid = X_valid[:, 0]
    numeric_feats_valid = X_valid[:, 1].astype(np.float32)
    
    # 修改batcher函数，让它接收这两个独立的数组参数
    history = model.fit(
        batcher(data_dir, img_paths_train, numeric_feats_train, y_train, batch_size, True),
        steps_per_epoch=samples_per_epoch // batch_size,
        epochs=nb_epoch,
        validation_data=batcher(data_dir, img_paths_valid, numeric_feats_valid, y_valid, batch_size, False),
        validation_steps=len(X_valid) // batch_size,
        callbacks=[checkpoint],
        verbose=1
    )

这样batcher里处理数据时就不会再混淆字符串和数值，从根源上避免这类错误。

内容的提问来源于stack exchange，提问作者You Hur