TensorFlow多输入图像分类网络训练报‘None values not supported’错误排查

核心错误点 #

• 输入键不匹配：你的数据集里手工特征的键是additional_features，但模型定义输入时用了pre_calc_feats，导致模型无法找到对应输入数据，触发None values not supported错误。
• Dataset返回格式错误：fit函数要求数据集返回(输入数据字典, 标签)的结构，而不是包含标签的完整字典。如果你的Dataset直接返回{"image":..., "additional_features":..., "y":...}，模型会把整个字典当作输入，无法识别标签，进而引发错误。

具体修复步骤 #

1. 修正模型输入的键名 #

把模型输入字典里的pre_calc_feats改成和数据集一致的additional_features：

model = tf.keras.Model(inputs={ "image": input_image,
                                "additional_features" : input_features },  # 匹配数据集的键名
                       outputs={"y" : output_layer})

2. 调整TFRecord数据集的解析与返回格式 #

确保解析TFRecord时，返回(输入字典, 标签)的结构，示例代码如下：

def parse_tfrecord(example):
    # 定义特征解析格式
    feature_description = {
        "image": tf.io.FixedLenFeature([], tf.string),
        "additional_features": tf.io.FixedLenFeature([7], tf.float32),
        "y": tf.io.FixedLenFeature([], tf.int64)
    }
    parsed_example = tf.io.parse_single_example(example, feature_description)
    
    # 处理图像数据（根据你的实际格式调整，比如解码、resize、归一化）
    image = tf.io.decode_jpeg(parsed_example["image"], channels=3)
    image = tf.resize(image, (image_height, image_width))
    image = tf.cast(image, tf.float32) / 255.0
    
    # 返回(输入字典, 标签)格式
    return {"image": image, "additional_features": parsed_example["additional_features"]}, parsed_example["y"]

# 应用解析函数到数据集
train_dataset = tf.data.TFRecordDataset("train.tfrecord")
train_dataset = train_dataset.map(parse_tfrecord).batch(32)  # 替换成你的batch size

val_dataset = tf.data.TFRecordDataset("val.tfrecord")
val_dataset = val_dataset.map(parse_tfrecord).batch(32)

3. （可选）优化模型编译的metrics配置 #

可以明确指定metrics对应输出，让配置更清晰：

model.compile(loss={ "y" : "sparse_categorical_crossentropy"},
              metrics={"y": ['sparse_categorical_accuracy']},
              optimizer=tf.keras.optimizers.Adam(learning_rate=0.001))

完成以上修改后，再运行model.fit应该就能正常训练了。

内容的提问来源于stack exchange，提问作者tobstar