无法将 NumPy 数组转换为张量（不支持的对象类型 numpy.ndarray） - 已经将数据转换为 numpy 数组答案

【问题标题】：Failed to convert a NumPy array to a Tensor (Unsupported object type numpy.ndarray) - Already have converted the data to numpy array无法将 NumPy 数组转换为张量（不支持的对象类型 numpy.ndarray） - 已经将数据转换为 numpy 数组
【发布时间】：2021-10-11 19:06:00
【问题描述】：

尝试为基于文本的多标签分类问题训练单层神经网络。

model= Sequential()
model.add(Dense(20, input_dim=400, kernel_initializer='he_uniform', activation='relu'))
model.add(Dense(9, activation='sigmoid'))
model.compile(loss='binary_crossentropy', optimizer='adam')

model.fit(x_train, y_train, verbose=0, epochs=100)

得到错误：

ValueError: Failed to convert a NumPy array to a Tensor (Unsupported object type numpy.ndarray).

x_train 是一个 300 维 word2vec 矢量化文本数据，每个实例填充到 400 长度。包含462条记录。

对训练数据的观察如下：

print('#### Shape of input numpy array #####')
print(x_train.shape)
print('#### Shape of each element in the array #####')
print(x_train[0].shape)
print('#### Object type for input data #####')
print(type(x_train))
print('##### Object type for first element of input data ####')
print(type(x_train[0]))

#### Shape of input numpy array #####
(462,)
#### Shape of each element in the array #####
(400, 300)
#### Object type for input data #####
<class 'numpy.ndarray'>
##### Object type for first element of input data ####
<class 'numpy.ndarray'>

【问题讨论】：

我打赌x_train 的dtype 是object。这通常是从形状不同的数组列表中创建一个数组的结果。您显示第一个元素的形状。但这是所有 462 的形状吗？ np.stack(x_train) 是做什么的？
print(type(x)) 通常不是很有用。 print(x.dtype) 提供更多信息。如果dtype 是object，那么它包含对象，例如其他数组。如果float 是一个数字数组，可能tensorflow 可以使用。
@hpaulj 是的，dtype 是对象。

标签： python arrays numpy tensorflow neural-network

【解决方案1】：

三个问题

问题1
这是你的主要问题，直接导致了错误。
你如何初始化/转换你的 x_train 有问题（我认为这是一个错误，或者你使用了一些不寻常的方式来构造你的数据），现在你的 x_train 实际上是一个数组数组，而不是一个多维数组。所以TensorFlow“认为”你有一个根据它的形状的一维数组，这不是你想要的。解决方案是在发送到 fit() 之前重构数组：

x_train = np.array([np.array(val) for val in x_train])

问题2
密集层希望您的输入具有形状 (batch_size, ..., input_dim)，这意味着您的 x_train 的最后一个维度必须等于 input_dim，但您有 300，这与 400 不同。
根据你的描述，你的输入维度，也就是词向量维度是300，所以你应该把input_dim改成300：

model.add(Dense(20, input_dim=300, kernel_initializer='he_uniform', activation='relu'))

或者等效地，直接提供 input_shape 代替

model.add(Dense(20, input_shape=(400, 300), kernel_initializer='he_uniform', activation='relu'))

问题3
因为密集，又名线性层，是用于“线性”输入的，所以它期望它的每个数据都是一维向量，所以输入通常像（batch_size，vector_length）。当dense接收到一个维度> 2（你有3个维度）的输入时，它将对最后一个维度执行Dense操作。引用自 TensorFlow 官方文档：

注意：如果层的输入的秩大于 2，则 Dense 计算 inputs 和 kernel 沿 inputs 的最后一个轴和 kernel（使用tf.tensordot）。例如，如果输入的维度为(batch_size, d0, d1)，那么我们创建一个形状为(d1, units) 的kernel，然后kernel 运行沿 input 的轴 2，在形状 (1, 1, d1) 的每个子张量上（有batch_size * d0 这样的子张量）。在这个输出案例的形状为(batch_size, d0, units)。

这意味着您的 y 应该改为 (462, 400, 9) 形状。这很可能不是您正在寻找的（如果这确实是您正在寻找的，问题 1 和 2 中的代码应该已经解决了您的问题）。

如果您要在整个 400x300 矩阵上执行密集，则需要先展平为一维向量，如下所示：

x_train = np.array([np.array(val) for val in x_train])  # reconstruct
model= Sequential()
model.add(Flatten(input_shape=(400, 300)))
model.add(Dense(20, kernel_initializer='he_uniform', activation='relu'))
model.add(Dense(9, activation='sigmoid'))
model.compile(loss='binary_crossentropy', optimizer='adam')

model.fit(x_train, y_train, verbose=0, epochs=100)

现在输出将是 (462, 9)

【讨论】：