NotImplementedError: Cannot convert a symbolic Tensor (LSTM/strided_slice:0) to a numpy array

根据报错提示，进入annaconda网站利用命令解决 当添加上述语句仍然出现错误，安装某个python包时（并不特别对于某个特定包，各种包有时都会出现这种情况 。会出现当前channel不可用，并报错： ...

1.报错 问题：（来自《Python深度学习》P164-165） 在运行以下代码的时候，报错：Cannot convert a symbolic Tensor (simple_rnn/strided_slice:0) to a numpy array. # 只返回最后一个时间步的输出 from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Embedding, SimpleRNN mod.

版权声明：本文为CSDN博主「陳Chan」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。原文链接：https://blog.csdn.net/chanvivi/article/details/120431587。个人觉得方法1、2不是真正的解决问题，仅尝试过方法3，可解决此error。修改完，运行 main.py，可正常run起来。1.降低numpy的版本到1.9.5。找到array_ops.py，我的在。根据错误提示，可以找到这个文件位置。

今天在搭建LSTM的时候，遇到了Tensorflow与Numpy版本不兼容的问题，报了如下错误： NotImplementedError: Cannot convert a symbolic Tensor (lstm/strided_slice:0) 我的Tensorflow版本是2.3.0，CUDA版本为10.1。问题解决前的Numpy版本是1.20 使用如下语句给Numpy降版本能解决问题 pip install -U numpy==1.18.5 当然如果在命令窗口下使用该命令后仍然出现了红色字体的

我的配置：tensorflow version 2.3.0 numpy version 1.8.5 试了网上的各种办法都不行，最后终于解决了 1. 找到G:\anaconda\envs\tf2\Lib\site-packages\tensorflow\python\framework\ops.py文件 2.将#845~846行： def __array__(self): raise NotImplementedError( 改为： def __array__(self): ...

NotImplementedError: Cannot convert a symbolic Tensor报错与解决

NotImplementedError: Cannot convert a symbolic Tensor (strided_slice_1:0) to a numpy array. 问题描述： 在运行程序的时候，报错“NotImplementedError: Cannot convert a symbolic Tensor (strided_slice_1:0) to a numpy array.”。 为了节约程序的运行时间，我将某一服务器上的程序拷贝至另一个服务器运行，结果发现报错。检查了tensor

pip install numpy==1.18.1

numpy有问题 pip install numpy==1.19.2

Cannot convert a symbolic Tensor (lstm/strided_slice:0) to a numpy array. 在运行代码的时候，我发现这个问题，本来自己以为原因是因为数据中有些不可以用于numpy类型的数据 但是其实 可以直接通过调整numpy版本的方式 立刻解决问题： 应该是numpy升级了版本之后，导致对之前的数据不兼容： pip install -U numpy==1.19.2 ...

问题描述 自己使用最开始的tensorflow2.1在运行一段定义了LSTM层的网络代码时不报错，但使用新pip install的tensorflow2.1则运行报错如题所示，往往需要修改源码，比如在model.save时报错不能编码，则需要找到报错的地方修改去掉encode的部分，但有的问题就不是那么直接了，比如报错如题所示 解决思路 同一个tensorflow版本，结果运行结果不同，只能说明源码不同有问题，所以使用不同的编译器同时debug模式执行同一段代码，对比执行过程的代码，找到不同之处进行覆盖修