使用tf.data.Dataset训练Keras模型遇输入不匹配警告问题

这个警告的本质是模型输入层的结构和tf.data.Dataset输出的数据结构不匹配：你之前直接传数组是把所有特征打包成一个张量，现在用Dataset加载带表头的CSV后，输出的是键值对字典（每个特征列对应一个表头键），但模型输入层没对应上这些键，导致不匹配的特征被忽略。

你有两个明确的解决方向，根据自己的需求选就行：

方案1：修改模型输入层，适配数据集的字典输入（推荐） #

如果想保留tf.data的字典输出（多特征场景下更清晰，后续加特征或单独处理特征更方便），需要把模型的输入层改成对应每个特征键的独立输入，再拼接或单独处理后进入后续网络。

举个代码示例（假设你的目标列叫label）：

import tensorflow as tf

# 输入层的键要和CSV表头完全一致
input_layers = {
    'temperature_min': tf.keras.layers.Input(shape=(1,), name='temperature_min'),
    'snow_depth_water_equivalent_max': tf.keras.layers.Input(shape=(1,), name='snow_depth_water_equivalent_max'),
    'temperature_max': tf.keras.layers.Input(shape=(1,), name='temperature_max'),
    'precipitation': tf.keras.layers.Input(shape=(1,), name='precipitation')
}

# 把所有输入特征拼接成一个张量（也可以单独对某个特征做处理后再拼接）
concat_features = tf.keras.layers.Concatenate()(list(input_layers.values()))

# 后续的模型结构按你的需求写
x = tf.keras.layers.Dense(64, activation='relu')(concat_features)
x = tf.keras.layers.Dense(32, activation='relu')(x)
output = tf.keras.layers.Dense(1, activation='sigmoid')(x)

# 构建模型时，输入传这个字典结构
model = tf.keras.Model(inputs=input_layers, outputs=output)
model.compile(optimizer='adam', loss='binary_crossentropy')

这样模型输入就和Dataset输出的字典键完全对应，那些特征就不会被忽略了。

方案2：调整数据集，输出和之前一样的数组格式 #

如果想完全复用旧模型的输入层（单张量输入），可以修改tf.data的处理流程，把字典里的所有特征值提取出来，拼接成二维数组，和你之前直接传的格式一致。

代码示例：

# 先加载CSV数据集（替换成你的文件路径和参数）
dataset = tf.data.experimental.make_csv_dataset(
    'your_data.csv',
    batch_size=32,
    label_name='label',  # 替换成你的目标列名
    header=True,
    num_epochs=1
)

# 把字典格式的特征转换成拼接后的数组
def format_dataset(features, label):
    # 按顺序提取所有特征值，拼接成一个张量
    feature_tensor = tf.concat([tf.expand_dims(v, axis=1) for v in features.values()], axis=1)
    return feature_tensor, label

# 应用格式转换
dataset = dataset.map(format_dataset)

处理后Dataset输出的就是(特征数组, 标签)的格式，和你之前直接传数组的方式完全一致，不需要修改模型。

内容的提问来源于stack exchange，提问作者Jonathan Roy