Keras中使用LSTM时触发TypeError: Expected int32错误的解决方法

你遇到的这个错误核心原因是输入层的 dtype 设置与 LSTM 层的权重 dtype 不匹配，下面给你拆解问题和解决方案：

问题分析 #

你的代码里把输入层的 dtype 设为了 'int32'，但 Keras 的 LSTM 层默认会使用浮点类型（比如 float32）的权重参数。当 LSTM 尝试用浮点权重和 int32 类型的输入做计算时，就会触发类型不匹配的 TypeError。

解决方案 #

1. 修正输入层的 dtype 设置

你的训练数据是包含100个特征的连续值向量（从 training_data.shape=(600,2500,100) 可以判断），完全不需要设置 dtype='int32'，直接去掉这个参数即可（Keras 默认输入 dtype 为 float32，正好匹配 LSTM 的权重类型）：

rnn_inputs = Input(shape=(2500, 100))  # 默认dtype为float32，符合要求
simple_rnn = LSTM(3, return_sequences=True, activation='relu')(rnn_inputs)

或者你也可以显式指定浮点 dtype，效果一样：

rnn_inputs = Input(shape=(2500, 100), dtype='float32')

2. 确认训练数据的类型

如果你的 training_data 当前是 int32 类型，需要先转换为浮点类型再输入模型：

training_data = training_data.astype('float32')

额外提示（针对整数输入场景） #

如果你的输入是整数索引（比如词嵌入的词汇索引），那不能直接把 int32 输入喂给 LSTM，需要先通过 Embedding 层把整数索引转换成浮点向量，再输入到 LSTM：

# 示例：整数索引输入的正确流程
rnn_inputs = Input(shape=(2500,), dtype='int32')
# 把整数索引转成100维浮点向量
embedding_layer = Embedding(input_dim=你的词汇表大小, output_dim=100)(rnn_inputs)
simple_rnn = LSTM(3, return_sequences=True, activation='relu')(embedding_layer)

内容的提问来源于stack exchange，提问作者Teodorico Levoff