TensorFlow Probability双输入模型推理输入类型错误问题

1. 直接传入Dataset导致的类型错误 #

报错原因 #

模型的__call__方法（即model(input)形式）仅接受张量作为输入，你传入的tf.data.Dataset是数据集容器对象，并非张量，因此触发TypeError。

解决方法 #

将Dataset中的数据转换为张量后再传入模型：

• 单批次推理：从批量后的Dataset中取出张量输入

  # 获取一个批次的输入张量
  (batch_inp1, batch_inp2), _ = next(iter(input_dataset))
  yhats = model([batch_inp1, batch_inp2])
  

• 全数据集推理：遍历Dataset逐个处理批次

  yhats_dist_list = []
  for (inp1, inp2), _ in input_dataset:
      dist = model([inp1, inp2])
      yhats_dist_list.append(dist)
  

2. model.predict()返回结果不是Distribution实例 #

原因 #

model.predict()的设计目标是返回数值化的推理结果（如分布的均值、样本或参数数组），会自动将Distribution对象转换为张量/数组输出，而非保留Distribution实例。

解决方法 #

直接用模型调用张量输入（而非predict方法）来获取Distribution对象：

# 将原始数据转为张量传入模型
input_tensor1 = tf.convert_to_tensor(Xdata)
input_tensor2 = tf.convert_to_tensor(Xphysio)
yhats_dist = model([input_tensor1, input_tensor2])
assert isinstance(yhats_dist, tfd.Distribution)  # 断言将通过

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