迁移学习实践遇Python报错：无法将序列与float类型非整数相乘

这个报错的根源很清晰——你在生成标签列表时用了普通除法/，得到的结果是浮点数类型，而Python里列表只能和整数相乘，哪怕数值上是整数但类型是float也不行。比如如果nb_train_samples是100，100/2得到的是50.0（float），用它去乘[0]就会触发这个错误。

两种快速解决方法： #

• 方法一：使用整数除法//
  Python的//运算符会直接返回整数结果（向下取整），刚好符合你这里把样本均匀分成两类的需求：

  train_data = np.load(open('bottleneck_features_train.npy', 'rb'))
  train_labels = np.array( [0] * (nb_train_samples // 2) + [1] * (nb_train_samples // 2))
  validation_data = np.load(open('bottleneck_features_validation.npy'))
  validation_labels = np.array( [0] * (nb_validation_samples // 2) + [1] * (nb_validation_samples // 2))
  

• 方法二：用int()强制转换为整数
  如果你更习惯用/，可以把除法结果包裹在int()里，将浮点数转为整数：

  train_data = np.load(open('bottleneck_features_train.npy', 'rb'))
  train_labels = np.array( [0] * int(nb_train_samples / 2) + [1] * int(nb_train_samples / 2))
  validation_data = np.load(open('bottleneck_features_validation.npy'))
  validation_labels = np.array( [0] * int(nb_validation_samples / 2) + [1] * int(nb_validation_samples / 2))
  

额外提醒： #

从你的代码逻辑来看，是要把样本均匀分成两类，所以最好确保nb_train_samples和nb_validation_samples都是偶数，这样标签数量和样本数能完全匹配，避免后续出现数据不对应的问题。

内容的提问来源于stack exchange，提问作者Oussama