TensorFlow Bi-LSTM注意力文本分类模型预测报TypeError错误求解

TypeError: unhashable type: 'numpy.ndarray' 的本质是代码在要求输入可哈希对象（字符串、整数、元组等不可变类型）的位置，传入了不可哈希的numpy数组对象。结合你提到的「逐批次训练/评估流程正常、仅全量预测环节触发报错」的场景，问题基本集中在计算图交互的传参逻辑上，不存在跨全链路的架构性bug。

高频问题定位与解决路径 #

• 最常见场景：feed_dict 键值映射反向
  TensorFlow的会话运行时，feed_dict的字典键必须是训练阶段定义的tf.placeholder张量对象，字典值才是对应维度的numpy数组。很多人写预测代码时会惯性传反映射关系，比如写成 {test_x_array: self.input_ph, test_y_array: self.label_ph}——由于字典键要求必须可哈希，不可哈希的numpy数组作为键时就会直接触发该报错。
  验证方法：打印预测阶段的feed_dict结构，核对每个键是不是和训练时定义的占位符对象完全一致，修正为{self.input_ph: test_x_array, self.label_ph: test_y_array}的正确映射即可。
• 自定义注意力层的形状错配
  因为你手动实现了Attention层的计算逻辑，逐批次评估时因为输入批次的张量形状固定，即使存在形状对齐的隐式bug也很难暴露；但全量预测时如果一次性输入全量测试数据，张量维度从原来的(batch_size, seq_len)变成(total_samples, seq_len)，会触发注意力层内部的隐式计算逻辑错误——比如层内写了依赖字典映射的权重计算逻辑，当输入张量变成更高维度的numpy数组时，就会被当成字典键传入，触发不可哈希报错。
  解决方式：在注意力层的计算逻辑前后加临时打印语句，逐维度核对全量预测时每个中间张量的shape，确保和逐批次训练时的张量维度完全一致，不要依赖全量输入的一次性计算。
• 模型恢复时的图节点取数错配
  如果是加载已保存的模型文件跑全量预测，很容易出现取输出节点的逻辑错误：sess.run()的第一个参数必须是计算图里的张量对象/节点名，如果写代码时不小心把之前逐批次评估得到的numpy数组类型的概率输出当成了图节点传入run()方法，就会因为numpy数组不可哈希，无法作为图内部的查找键触发报错。
  解决方式：加载模型后先遍历当前计算图的所有节点列表，找到对应输出概率的张量名称，通过 graph.get_tensor_by_name() 获取张量对象后再传入sess.run()，不要直接把已有的numpy数组对象当图节点引用。
• 全量预测时误用原批次生成器
  你现有流程里的批次生成器是为逐批次训练/评估设计的，默认输入是全量数据集、按固定批次大小循环返回样本。如果写全量预测逻辑时，为了图快把整个测试集数组直接传给生成器的单次返回接口，没有按照生成器要求的格式封装返回值，就会触发生成器内部做样本索引匹配时的字典逻辑——把整个二维数组当成字典的查找键，触发不可哈希报错。
  解决方式：全量预测时完全复用原有的逐批次评估流程，按和训练时完全一致的批次大小拆分全量测试集，循环逐批获取预测概率，最后把所有批次的输出沿样本维度拼接成完整的概率数组即可，不要跳过批次拆分步骤做一次性全量输入。

内容的提问来源于stack exchange，提问作者msa