TensorFlow加载文本分类模型时触发ValueError错误求助

这个错误的核心原因是TextVectorization层默认输出RaggedTensor，而你设置了Embedding(mask_zero=True)——这会让Embedding层生成一个基于padding值（0）的mask，但RaggedTensor本身已经通过row_splits自带了序列长度的mask信息，两种mask机制冲突，导致加载模型时抛出ValueError。

下面是两种可行的解决方案：

方案1：修改模型架构（推荐，需重新训练） #

调整Embedding层的参数，让它不再生成额外的mask，转而使用RaggedTensor自带的mask：

# 定义编码层（可选：若需要固定序列长度，可添加output_sequence_length参数）
encoder = tf.keras.layers.experimental.preprocessing.TextVectorization(
    max_tokens=VOCAB_SIZE
)

# 调整Embedding层的mask_zero参数为False
model = tf.keras.Sequential([
 encoder,
 tf.keras.layers.Embedding(
     input_dim=len(encoder.get_vocabulary()),
     output_dim=64,
     mask_zero=False  # 关键修改：禁用Embedding层的mask生成
 ),
 tf.keras.layers.LSTM(64, return_sequences = True),
 tf.keras.layers.GlobalMaxPool1D(),
 tf.keras.layers.Dense(7)
])

重新训练并保存模型后，再加载就不会出现mask冲突了——LSTM等序列层会自动识别RaggedTensor的mask信息，正常处理变长序列。

方案2：加载后包装模型（无需重新训练） #

如果不想重新训练现有模型，可以在加载后添加一个转换层，把RaggedTensor输入转换成密集张量（自动padding），适配原模型的mask机制：

# 加载原模型
loaded_model = tf.keras.models.load_model(PATH)

# 构建新的模型，处理输入转换
text_input = tf.keras.Input(shape=(1,), dtype=tf.string)
# 用原模型的encoder处理文本
encoded = loaded_model.layers[0](text_input)
# 将RaggedTensor转换为带padding的密集张量
padded_input = tf.keras.layers.Lambda(lambda x: x.to_tensor())(encoded)
# 连接原模型的后续层
x = loaded_model.layers[1](padded_input)
x = loaded_model.layers[2](x)
x = loaded_model.layers[3](x)
output = loaded_model.layers[4](x)

# 定义新的可使用模型
new_model = tf.keras.Model(text_input, output)

之后你就可以用new_model.predict()来处理文本输入，避免mask冲突问题。

内容的提问来源于stack exchange，提问作者Electric Dragon