Tensorflow - ValueError：无法将 NumPy 数组转换为张量（不支持的对象类型浮点数）

TL;DR 几个可能的错误，大部分已通过 x = np.asarray(x).astype('float32') 修复。

其他可能是错误的数据预处理；确保所有内容的格式正确（分类、nans、字符串等）。下面显示了模型的预期：

[print(i.shape, i.dtype) for i in model.inputs]
[print(o.shape, o.dtype) for o in model.outputs]
[print(l.name, l.input_shape, l.dtype) for l in model.layers]

问题的根源在于使用 lists 作为输入，而不是 Numpy 数组； Keras/TF 不支持前者。一个简单的转换是：x_array = np.asarray(x_list)。

下一步是确保以预期格式输入数据；对于 LSTM，这将是一个尺寸为 (batch_size, timesteps, features) 的 3D 张量 - 或等效地，(num_samples, timesteps, channels)。最后，作为调试专家，为您的数据打印所有形状。完成上述所有操作的代码如下：

Sequences = np.asarray(Sequences)
Targets   = np.asarray(Targets)
show_shapes()

Sequences = np.expand_dims(Sequences, -1)
Targets   = np.expand_dims(Targets, -1)
show_shapes()

# OUTPUTS
Expected: (num_samples, timesteps, channels)
Sequences: (200, 1000)
Targets:   (200,)

Expected: (num_samples, timesteps, channels)
Sequences: (200, 1000, 1)
Targets:   (200, 1)

作为奖励提示，我注意到您正在通过 main() 运行，因此您的 IDE 可能缺少类似 Jupyter 的基于单元的执行；我强烈推荐 Spyder IDE。就像添加 # In[]，然后按下面的 Ctrl + Enter 一样简单：

使用的功能：

def show_shapes(): # can make yours to take inputs; this'll use local variable values
    print("Expected: (num_samples, timesteps, channels)")
    print("Sequences: {}".format(Sequences.shape))
    print("Targets:   {}".format(Targets.shape))   

---

在尝试上述所有方法均未成功后，我发现我的问题是我的数据中的一列具有 boolean 值。将所有内容转换为 np.float32 即可解决问题！

import numpy as np

X = np.asarray(X).astype(np.float32)

---

这应该可以解决问题：

x_train = np.asarray(x_train).astype(np.float32)
y_train = np.asarray(y_train).astype(np.float32)

---

这是一个高度误导性的错误，因为这基本上是一个一般错误，可能与浮点数无关。

例如，在我的情况下，它是由 pandas 数据框的字符串列引起的，其中包含一些 np.NaN 值。去搞清楚！

通过用空字符串替换它们来修复它：

df.fillna(value='', inplace=True)

或者更具体地说，仅对字符串（例如“对象”）列执行此操作：

cols = df.select_dtypes(include=['object'])
for col in cols.columns.values:
    df[col] = df[col].fillna('')

---

我有许多不同的输入和目标变量，但不知道是哪一个导致了问题。

要找出它破坏了哪个变量，您可以使用堆栈 strace 中指定的路径在库包中添加打印值：

      File "C:\Users\bencu\AppData\Local\Programs\Python\Python37\lib\site-packages\tensorflow_core\python\framework\constant_op.py", line 96, in convert_to_eager_tensor
        return ops.EagerTensor(value, ctx.device_name, 

在这部分代码中添加 print 语句使我可以查看导致问题的输入：

constant_op.py：

  ....
      dtype = dtype.as_datatype_enum
    except AttributeError:
      dtype = dtypes.as_dtype(dtype).as_datatype_enum
  ctx.ensure_initialized()
  print(value) # <--------------------- PUT PRINT HERE
  return ops.EagerTensor(value, ctx.device_name, dtype)

在观察到哪个值有问题后，从 int 到 astype(np.float32) 的转换解决了问题。

---

尝试将 np.float32 转换为 tf.float32 （读取 keras 和 tensorflow 的数据类型）：

tf.convert_to_tensor(X_train, dtype=tf.float32)

---

也可能由于版本不同而发生（我不得不从 tensorflow 2.1.0 移回 2.0.0.beta1 以解决此问题）。

---

您可能需要检查输入数据集或数组中的数据类型，然后将其转换为 float32：

train_X[:2, :].view()
#array([[4.6, 3.1, 1.5, 0.2],
#       [5.9, 3.0, 5.1, 1.8]], dtype=object)
train_X = train_X.astype(np.float32)
#array([[4.6, 3.1, 1.5, 0.2],
#       [5.9, 3. , 5.1, 1.8]], dtype=float32)

---

你最好用这个，因为keras版本不兼容

from keras import backend as K
X_train1 = K.cast_to_floatx(X_train)
y_train1 = K.cast_to_floatx(y_train)

---

如果您使用的是 DataFrame 并且具有多个列类型，请使用此选项：

numeric_list = df.select_dtypes(include=[np.number]).columns
df[numeric_list] = df[numeric_list].astype(np.float32)

---

就我而言，转换为 np.float32 不起作用。

对我来说，训练期间一切正常（可能是因为我使用 tf.data.Dataset.from_generator 作为 fit() 的输入），但是当我尝试在 1 个实例上调用 predict() 时（使用 np.array），出现错误.

作为一种解决方案，我必须在调用 predict 之前重塑数组 x_array.reshape(1, -1) 并且它起作用了。

---

我通过在数据导入期间强制浮点格式避免了这个问题：

df = pd.read_csv('titanic.csv', dtype='float')

---

只是有同样的问题，它最终是因为我试图传递一个数组对象数组，而不是预期的数组数组。希望这对将来的人有所帮助！

---

尝试

X_train =t ensorflow.convert_to_tensor(X_train, dtype=tensorflow.float32)
y_train = tensorflow.convert_to_tensor(y_train, dtype=tensorflow.float32)
X_test = tensorflow.convert_to_tensor(X_test, dtype=tensorflow.float32)
y_test = tensorflow.convert_to_tensor(y_test, dtype=tensorflow.float32)

---

正如上面大多数人所回答的那样，通过此处已经讲述的各种方式转换 np.float32 / float32 中的数据。

这样做时，如果您收到另一个错误“ValueError: setting an array element with a sequence”。

在这种情况下，请尝试将您的数据转换为 type list，然后像您之前尝试的那样将其转换为张量类型。

---