使用TensorFlow convert_to_tensor时遇ValueError：不同形状矩阵转张量失败

这个错误的核心原因很明确：TensorFlow的标准张量要求所有元素具有完全一致的形状。你尝试转换的两个矩阵，一个是5行5列，另一个是5行3列，列数不匹配，所以无法生成规整的张量。下面给你几种不同场景下的解决方案：

方案1：统一矩阵形状（补全/截断） #

如果你可以接受调整矩阵的形状，把两个矩阵统一成相同维度，就可以正常转换为标准张量。比如给列数少的矩阵填充默认值（比如0），或者截断列数多的矩阵：

示例：填充短矩阵到统一形状 #

import tensorflow as tf

matrix = [[1, 2, 3, 4, 5], [6, 7, 8, 9, 10], [11, 12, 13, 14, 15], [16, 17, 18, 19, 20], [21, 22, 23, 24, 25]]
matrix2 = [[1, 2, 3], [6, 7, 8], [11, 12, 13], [16, 17, 18], [21, 22, 23]]

# 把matrix2填充为5x5，右侧补0
padded_matrix2 = tf.pad(matrix2, [[0,0], [0,2]], mode='CONSTANT', constant_values=0)

test = [matrix, padded_matrix2.numpy()]
with tf.Session().as_default():
    c = tf.convert_to_tensor(test)
    print(c.eval())

方案2：使用Ragged Tensor（不规则张量） #

如果需要保留原始矩阵的形状，不想修改数据，可以使用TensorFlow的Ragged Tensor，它专门用来处理形状不规则的嵌套数据：

import tensorflow as tf

matrix = [[1, 2, 3, 4, 5], [6, 7, 8, 9, 10], [11, 12, 13, 14, 15], [16, 17, 18, 19, 20], [21, 22, 23, 24, 25]]
matrix2 = [[1, 2, 3], [6, 7, 8], [11, 12, 13], [16, 17, 18], [21, 22, 23]]

# 创建Ragged Tensor
ragged_c = tf.ragged.constant([matrix, matrix2])
with tf.Session().as_default():
    print(ragged_c.eval())

Ragged Tensor可以像普通张量一样参与很多TensorFlow运算，同时保留原始的不规则结构。

方案3：使用TensorFlow Dataset存储 #

如果你的场景是后续要加载处理这些数据，也可以用tf.data.Dataset来存储不同形状的元素，适合批量处理的场景：

import tensorflow as tf

matrix = [[1, 2, 3, 4, 5], [6, 7, 8, 9, 10], [11, 12, 13, 14, 15], [16, 17, 18, 19, 20], [21, 22, 23, 24, 25]]
matrix2 = [[1, 2, 3], [6, 7, 8], [11, 12, 13], [16, 17, 18], [21, 22, 23]]

dataset = tf.data.Dataset.from_tensor_slices([matrix, matrix2])
for elem in dataset:
    with tf.Session().as_default():
        print(elem.eval())

内容的提问来源于stack exchange，提问作者kawser-nerd