无法将 NumPy 数组转换为张量

遇到错误“无法将 NumPy 数组转换为张量（不支持的对象类型 float )”，确定与数据准备和模型定义相关的潜在原因非常重要。

数据准备

TensorFlow 期望输入数据采用特定格式。在这种情况下，对于 LSTM 模型，数据的维度应为（num_samples、timesteps、channels）。确保您的训练数据 x_train 的格式正确。使用 x_array = np.asarray(x_list) 将数据转换为 NumPy 数组并检查其形状可以帮助验证其维度。

此外，请确保您的数据经过正确预处理。适当处理任何分类变量、缺失值 (NaN) 或字符串。

模型定义

验证您的 LSTM 模型定义是否正确。第一个 LSTM 层的输入形状应与输入数据的形状相匹配，您可以使用以下代码确定该形状：

[print(i.shape, i.dtype) for i in model.inputs]

同样，检查模型中每一层的输出形状和数据类型，以确保它们符合您的期望：

[print(o.shape, o.dtype) for o in model.outputs]

调试提示

要进一步调试问题，请尝试以下操作：

• 使用函数 print(l.name , l.input_shape, l.dtype) 用于 model.layers 中的 l，用于显示每个图层的名称、输入形状和数据类型。这可以帮助识别维度或数据类型中的任何不匹配。
• 将输入数据扩展为正确的形状。在您的情况下，如果原始 x_train 具有维度 (num_samples, timesteps)，请使用 x_train = np.expand_dims(x_train, -1) 添加通道维度。同样，检查您的目标数据 y_train 是否需要重新整形。
• 将您的数据转换为支持的数据类型。确保您的数据类型为 float32 或 float64，以便与 TensorFlow 兼容。使用 x = np.asarray(x).astype('float32') 进行转换。

按照以下步骤，您可以解决错误并成功训练模型。