如何分离TensorFlow Dataset对象的图像与标签？解决map函数引发的TypeError问题

这个报错的核心原因是你对batch后的数据集使用map时，lambda函数的参数定义不匹配。

当你执行train_ds = train_ds_f.batch(12)后，train_ds中的每个元素是一个二元组：(batch_images, batch_labels)，其中batch_images是形状为(12,60,80,1)的张量，batch_labels是形状为(12,)的张量。

而你写的lambda x: x[0]只声明了一个参数x，但TensorFlow会把二元组里的两个元素分别作为独立参数传递给lambda函数——相当于调用了lambda(batch_images, batch_labels)，但你的lambda只接受1个参数，自然就触发了takes 1 positional argument but 2 were given的错误。

你有两种可选的修正方式，根据你的需求选择：

方式1：让lambda接收两个参数，分别提取图像和标签 #

直接修改map的lambda函数，明确接收两个参数，然后返回对应的部分：

# 提取训练集图像批次
train_x_batches = train_ds.map(lambda x, y: x)
# 提取训练集标签批次
train_y_batches = train_ds.map(lambda x, y: y)

这样每个lambda函数会正确接收批次中的图像和标签两个参数，返回你需要的部分。

方式2：直接使用原批次数据集（更推荐） #

其实在TensorFlow训练模型时，你完全不需要提前把图像和标签分开——模型的fit方法可以直接接收包含(x,y)元组的批次数据集。比如你可以直接这样用：

model.fit(train_ds, validation_data=valid_ds, epochs=10)

这种方式更简洁，也避免了额外的map操作，是TensorFlow数据集的常规使用方式。

如果你不确定数据集的元素结构，可以用take(1)取出一个批次打印查看：

for batch in train_ds.take(1):
    print("图像批次形状:", batch[0].shape)
    print("标签批次形状:", batch[1].shape)

这样能直观确认每个批次的组成，避免参数匹配错误。

内容的提问来源于stack exchange，提问作者Javier Decena Castillo