TensorFlow多输入模型训练报错：Layer期望2个输入仅收到1个张量

原因 #

你构建的数据集每个元素是(vectorized_text, content, likes_rate)，而Keras多输入模型期望的输入结构是**(输入特征元组, 标签)**，也就是每个元素应该是((text_tensor, content_tensor), label_tensor)。当前结构会让Keras把前两个张量当成一个整体输入，导致模型收到1个输入而非预期的2个。

解决方案 #

修改数据集构建代码，将输入特征打包成元组，标签单独分离：

# 把输入特征打包成元组，标签作为第二个元素
dataset = tf.data.Dataset.from_tensor_slices(
    ((vectorized_text, content), df['likes_rate'])
)

# 后续的缓存、打乱、批量操作保持不变
dataset= dataset.cache()
dataset= dataset.shuffle(160000)
dataset= dataset.batch(16)
dataset= dataset.prefetch(8)

之后直接调用model.fit(dataset, epochs=10)即可正常训练，无需手动遍历。

原因 #

每次调用model.fit()时，即使只传一个batch，Keras也会默认重新初始化优化器状态（比如学习率调度、动量参数等），相当于每次都从头开始训练，导致权重无法累积更新。

解决方案 #

改用model.train_on_batch()方法，它专门用于单批次训练，不会重置模型和优化器状态：

# 遍历数据集的每个batch
for (text_batch, content_batch), y_batch in dataset:
    # 传入多输入列表和标签，执行单步训练
    loss = model.train_on_batch(x=[text_batch, content_batch], y=y_batch)
    # 可选：打印当前batch的损失
    print(f"Batch loss: {loss}")

如果需要控制多轮训练，可以在外层加循环：

epochs = 10
for epoch in range(epochs):
    print(f"Epoch {epoch+1}/{epochs}")
    total_loss = 0.0
    batch_count = 0
    for (text_batch, content_batch), y_batch in dataset:
        loss = model.train_on_batch(x=[text_batch, content_batch], y=y_batch)
        total_loss += loss
        batch_count += 1
    # 打印当前epoch的平均损失
    print(f"Average loss: {total_loss / batch_count}")
    # 可选：每轮重新打乱数据集
    dataset = dataset.shuffle(160000)

内容的提问来源于stack exchange，提问作者Abdulaziz Snobrah