NumPy数组转TensorFlow Dataset失败报错，请求问题排查

嘿，我来帮你搞定这个问题～你遇到的ValueError: Can't convert non-rectangular Python sequence to Tensor，核心原因其实很好理解：

你构建的input列表里，每个元素是[input1, input2]，其中input1是一维数组（形状(9,)），input2是二维数组（形状(2,19)），而tf.data.Dataset.from_tensor_slices要求输入的序列必须是**“矩形”**的——简单说就是每个位置上的元素形状得完全统一，这样才能转换成结构一致的Tensor。你的嵌套列表里混了不同形状的数组，自然就转不动了。

下面给你两种实用的解决方案，按需选就行：

方案1：拆分输入序列（推荐） #

既然你的模型是双输入，不如直接把两个输入分开收集，然后直接传入from_tensor_slices，这样Dataset会自动帮你构建多输入的结构，后续对接模型也更方便：

import tensorflow as tf
import numpy as np

# 分开收集两个输入和标签
input1_list = []
input2_list = []
label_list = []

for i in range(1):
    input1 = np.random.rand(9)
    input2 = np.random.rand(2,19)
    label1 = np.random.rand(4)
    input1_list.append(input1)
    input2_list.append(input2)
    label_list.append(label1)

# 直接传入双输入+标签，Dataset会处理成((input1, input2), label)的结构
dataset = tf.data.Dataset.from_tensor_slices(((input1_list, input2_list), label_list))

# 测试一下读取是否正常
for elem in dataset:
    print("Input1 shape:", elem[0][0].shape)
    print("Input2 shape:", elem[0][1].shape)
    print("Label shape:", elem[1].shape)

这种方案的优势是速度快，from_tensor_slices是基于内存的Tensor转换，性能比生成器好，而且结构清晰，完全匹配你后续要拼接双输入的模型需求。

方案2：用from_generator处理非矩形序列 #

如果你一定要保留原来的嵌套数据结构，可以用tf.data.Dataset.from_generator，它支持处理非矩形的序列，不过性能会稍逊一筹：

import tensorflow as tf
import numpy as np

input_data = []
label_data = []

for i in range(1):
    input1 = np.random.rand(9)
    input2 = np.random.rand(2,19)
    label1 = np.random.rand(4)
    input_data.append([input1 , input2])
    label_data.append(label1)

# 定义生成器函数，逐个返回数据
def data_generator():
    for inp, lbl in zip(input_data, label_data):
        yield inp, lbl

# 构建Dataset时需要指定每个输出的形状和类型
dataset = tf.data.Dataset.from_generator(
    data_generator,
    output_signature=(
        (tf.TensorSpec(shape=(9,), dtype=tf.float64), tf.TensorSpec(shape=(2,19), dtype=tf.float64)),
        tf.TensorSpec(shape=(4,), dtype=tf.float64)
    )
)

# 测试读取
for elem in dataset:
    print("Input1 shape:", elem[0][0].shape)
    print("Input2 shape:", elem[0][1].shape)
    print("Label shape:", elem[1].shape)

这个方案适合数据结构比较复杂、没法拆分成规整序列的场景，不过日常用方案1就足够啦～

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