Google Colab中Keras训练MNIST模型触发'int'对象不可迭代错误

• 版本不匹配是最根本的诱因：你本地代码适配的Keras/TensorFlow版本，和Colab GPU runtime默认预装的版本存在代差。Colab当前GPU环境默认搭载TF2.16以上版本，内置Keras 3.x引擎，和旧版Keras 2.x的fit接口内部实现逻辑存在明显差异，而CPU模式下因为跳过了部分GPU专属的参数校验分支，所以同一份代码在本地CPU环境、Colab CPU环境都能正常运行，只有开启GPU后才会触发类型校验报错。
• 最常见的具体触发场景：旧版Keras会自动兼容传入的整数类型训练标签，把形状为(n_samples,)的整数数组直接映射为分类目标；但Keras 3的GPU训练路径里，会强制校验所有传入训练接口的参数是否符合迭代对象的格式要求。如果训练标签在数据预处理环节被意外压平为单个整数标量、或是某类配置参数（比如分类权重、验证集切片配置）被误传为裸整数值，框架在尝试遍历参数时就会抛出TypeError: 'int' object is not iterable。
• 另一个高频冲突点：Colab GPU环境下如果存在独立安装的Keras包和TensorFlow内置Keras的版本割裂，比如代码里同时混用from keras.xxx import和from tensorflow.keras.xxx import的接口，GPU动态图的跟踪逻辑会把原本结构化的可迭代参数解析为普通整数常量，直接触发类型异常。

• 先核对运行环境的实际版本：执行import tensorflow as tf; print(tf.__version__, tf.keras.__version__)，对比本地跑通环境的版本号，若差值超过1个小版本，直接安装和本地一致的版本即可复现/修复问题，比如执行!pip install tensorflow==2.13.*匹配旧版Keras 2.x的逻辑。
• 逐行检查model.fit()的所有入参：重点确认validation_data、class_weight、callbacks、steps_per_epoch几个参数的传入格式，确保需要可迭代的参数没有被传入裸整数值。
• 全程统一Keras接口来源：所有网络搭建、训练调用的模块都从tf.keras下导入，避免混用独立安装的Keras包接口。

内容的提问来源于stack exchange，提问作者pipeline