由于张量转换错误，无法适应我的ML模型

Question

我已经对数据集进行了一些预处理，并尝试拟合我的ML模型，但它返回以下错误消息：“未能将NumPy数组转换为张量（不支持的对象类型tensorflow.python.framework.ops.Tensor）。”

原始数据集如下所示：

Size   Version    Count   TimeStamp    Amount   Label
319       1        31    2019-03-21     321       1
482       2        91    2014-09-28     912       2

标签列是我的Y，其余的列是特性（Xs）。在将数据输入ML模型之前，我对大小、计数和数量列进行了标准化。这是我的代码：

numeric_features = ['Size', 'Count', 'Amount']
train_df, test_df = train_test_split(df, test_size=0.3) # train-test split

# create normalizer based on train data
normalizer = preprocessing.Normalization()
normalizer.adapt(train_df[numeric_features].values)
# Apply normalizer
train_df[numeric_features] = normalizer(train_df[numeric_features].values)

train_X = train_df.iloc[:, :-1]
train_Y = pd.get_dummies(train_df.Label, prefix='Label')

# reshape X data
train_X = np.array(train_X)
train_X = np.reshape(train_X, (train_X.shape[0],1,train_X.shape[1]))
train_Y = np.array(train_Y)


# Create a model
model_cnn = keras.Sequential()
model_cnn.add(layers.Conv1D(64, 1, activation='relu'))
model_cnn.add(layers.GlobalMaxPooling1D())
model_cnn.add(layers.Dense(2, activation='softmax'))


model_cnn.compile(optimizer = tf.keras.optimizers.Adam(), 
                  loss=tf.keras.losses.categorical_crossentropy, 
                  metrics=['accuracy'])

# Train the model 
epochs = 25
batch_size = 16

# This line throws an error.
history = model_cnn.fit(train_X, train_Y, epochs=epochs, batch_size=batch_size)

我不知道是哪一部分导致了这个错误。我不知道是不是因为正常化。当我规范化数值列时，每个单元格都有以下类型的值：

Answer 1

主要的问题是，您使用的是dataframe，因此您将拥有数组的数组，您可以解决一些调用的方的问题。在数据帧中调用_numpy（），但在某些情况下，这将为您提供一个由numpy数组组成的numpy数组，因此我建议调用np。asarray（）而不是np。数组在准备的最后一步