TensorFlow/Keras升级后model.fit报错：tf.data.Dataset迭代问题求助

错误原因 #

升级后出现的tf.data.Dataset only supports Python-style iteration in eager mode or within tf.function错误，核心原因是混用numpy数组输入与手动指定的validation_steps参数。当使用numpy数组作为model.fit()输入时，Keras会自动将其转换为tf.data.Dataset对象，但手动指定validation_steps会触发Dataset的迭代检查，在非eager模式下引发冲突。

修复方案 #

1. 移除validation_steps参数 #

由于你使用了validation_split=0.2，Keras会自动划分验证集并处理批次迭代，无需手动指定validation_steps。原代码中该参数基于训练集长度计算，反而会干扰Keras的自动逻辑。

修改后的训练代码：

# fit network
history = model.fit(train_x, train_y,
                    validation_split=0.2,
                    epochs=epochs,
                    batch_size=batch_size, 
                    verbose=verbose,
                    callbacks=keras_callbacks)

2. 显式转换数据类型（推荐） #

升级后的TensorFlow对数据类型要求更严格，建议显式将输入数据转换为float32，避免隐性类型不匹配问题：

# 在to_supervised函数返回后添加类型转换
train_x, train_y = to_supervised(train, n_input, n_output)
train_x = np.asarray(train_x).astype('float32')
train_y = np.asarray(train_y).astype('float32')

3. 修正train_y的维度匹配 #

原代码中对train_y的两次reshape存在逻辑矛盾：先转为(样本数, 时间步, 1)，又直接展平为一维数组。需根据模型输出形状调整标签维度：

• 如果是多步时序预测，模型最后一层为Dense(n_output)，则标签应保持(样本数, n_output)：

  # 替换原有的两次reshape
  train_y = train_y.reshape((train_y.shape[0], train_y.shape[1]))
  

• 如果模型输出是(样本数, n_output, 1)，则保留train_y = train_y.reshape((train_y.shape[0], train_y.shape[1], 1))即可，去掉reshape(-1)。

验证修改效果 #

完成上述调整后，重新运行训练代码，即可避免Dataset迭代相关错误。核心思路是让Keras自动处理数据集的批次划分与迭代，减少手动参数干预带来的版本兼容问题。

内容的提问来源于stack exchange，提问作者Celia Chen