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

存在三个问题

---

问题 1
这是您的主要问题，直接导致错误。
你初始化/转换 x_train 的方式有问题（我认为这是一个错误，或者你使用了一些不寻常的方法来构造你的数据），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”你根据它的形状有一个一维数组，这不是你想要的。解决方案是在发送到 fit() 之前重建数组：

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

---

问题 2
密集层期望你的输入有形状 (batch_size, ..., input_dim)，这意味着你的 x_train 的最后一个维度必须等于 input_dim，但你有 300，这与 400 不同。
根据你的描述，你的输入维度，也就是词向量维数是300，所以应该把input_dim改成300：

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

或等效地，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，是为“线性”输入而设计的，所以它期望它的每个数据都是一个一维的向量，所以输入通常是（batch_size，vector_length）。当dense 收到一个维度> 2 的输入（你有3 个维度）时，它会在最后一个维度上执行Dense 操作。引自 TensorFlow 官方文档：

注意：如果层的输入的秩大于 2，则Dense计算inputs和之间的点积，kernel沿 的最后一个轴inputs和 的轴 1 kernel（使用tf.tensordot）。例如，如果 input 有维度(batch_size, d0, d1)，那么我们创建一个kernelwith 形状(d1, units)，并且在形状的每个子张量上kernel沿着 的轴 2 操作（有这样的子张量）。在这种情况下，输出将具有 shape 。input(1, 1, d1)batch_size * d0(batch_size, d0, units)

这意味着你的 y 应该有形状 (462, 400, 9) 代替。这很可能不是您要查找的内容（如果这确实是您要查找的内容，则问题 1 和 2 中的代码应该已经解决了您的问题）。

如果要在整个 400x300 矩阵上执行密集操作，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)