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

【问题标题】：ValueError: Failed to convert a NumPy array to a Tensor (Unsupported object type float)ValueError：无法将 NumPy 数组转换为张量（不支持的对象类型浮点数）
【发布时间】：2020-02-18 07:32:54
【问题描述】：

我在使用后端 Tensorflow 2.0 的 keras 中遇到这行代码的问题：

loss_out = Lambda(function=ctc_lambda_func, name='ctc', output_shape=(1,))([y_pred, Y_train, X_train_length, label_length])

Y_train, X_train_length 是numpy.ndarrays y_pred 和 label_length 是类'tensorflow.python.framework.ops.Tensor'

【问题讨论】：

标签： tensorflow multidimensional-array keras tensor

【解决方案1】：

你可以使用

        tf.convert_to_tensor()

例子，

        import tensorflow as tf
        import numpy as np


        loss = Lambda(function=ctc_lambda_func, name='ctc', output_shape=(1,)) 
                       ([y_pred, Y_train, X_train_length, label_length])
        loss_np = np.asarray(loss, np.float32)

        loss_tf = tf.convert_to_tensor(loss_np, np.float32)

        sess = tf.InteractiveSession()  
        print(loss_tf.eval())

        sess.close()

【讨论】：

这一行没有被执行。 Geeting value error: not able to convert numpy array to tensor loss = Lambda(function=ctc_lambda_func, name='ctc', output_shape=(1,)) ([y_pred, Y_train, X_train_length, label_length])
@neena 是的，那一行是什么？你能详细说明你的问题吗？
这一行 [loss = Lambda(function=ctc_lambda_func, name='ctc', output_shape=(1,)) ([y_pred, Y_train, X_train_length, label_length])] 没有被执行。获取值错误：无法将 numpy 数组转换为张量
其实我只是写了 loss not (loss_out) 所以根据你在代码中写的来改变它。
我试过这个：loss_out = Lambda(function=ctc_lambda_func, name='ctc', output_shape=(1,))([tf.convert_to_tensor(y_pred, np.float32), tf.convert_to_tensor( Y_train, np.float32), tf.convert_to_tensor(X_train_length, np.float32), tf.convert_to_tensor(label_length, np.float32)]) 现在出现错误：ValueError: setting an array element with a sequence。

【解决方案2】：

您可以创建虚拟输入

# you have defined the rest of your graph somewhere here

Y_train = Input(shape=...)
X_train_length = Input(shape=...)

loss = Lambda(function=ctc_lambda_func, name='ctc', output_shape=(1,)
              )([y_pred, Y_train, X_train_length, label_length])

# defining the model is slightly different with multiple inputs
training_model = Model(inputs=[image_input, Y_train, X_train_length], outputs=[loss])

当你想训练你的模型时，你会将参数x作为长度为3的列表传递，例如

x = [<images - np.ndarray shape (batch, h, w, c)>, <Y_train inputs - np.ndarray>,
     <X_train_length inputs - np.ndarray>]

当然还有 y 的虚拟值

y = np.zeros((batch, 1))

它终于比training_model.train_on_batch(x, y)更简单了

或者制作一个生成器，以上述形式生成x和y，并使用training_model.fit_generator(data_generator)

【讨论】：