如何合并特征张量适配TensorFlow模型？泰坦尼克数据集实操疑问

我明白你现在的困扰——想把Titanic数据集中的多个特征张量合并成适合模型训练的输入，之前尝试concat和stack没成功对吧？咱们先理清楚问题所在：你之前是把全量数据batch后单独提取age和fare张量，这种方式不仅低效，还没把每个样本的两个特征对应起来，自然没法让模型接收多特征输入。咱们调整一下数据处理逻辑，一步一步解决：

为什么之前的合并尝试失败？ #

你拿到的xx1和xx2是形状为(1309,)的一维张量，如果直接用tf.concat([xx1, xx2], axis=0)，会得到一个(2618,)的一维张量，这不是我们要的；如果想按样本拼接成(1309, 2)的特征矩阵，得先把每个特征扩展成二维（比如(1309,1)），再在特征维度上拼接。

正确的解决方案：在预处理阶段合并特征 #

我们应该在tf.data的map阶段就完成特征合并，这样整个数据集会直接输出（合并特征，标签）的格式，完美适配模型训练：

1. 完整修改后的代码 #

import tensorflow as tf
import tensorflow_datasets as tfds
from tensorflow.keras.optimizers import Adam

# 定义预处理函数：合并特征+处理标签
def preprocess(x, y):
    # 把每个一维特征扩展成二维（shape从(,)变成(1,)）
    age_feature = tf.expand_dims(x['age'], axis=-1)
    fare_feature = tf.expand_dims(x['fare'], axis=-1)
    # 在特征维度拼接，得到每个样本的特征向量(2,)
    combined_features = tf.concat([age_feature, fare_feature], axis=-1)
    # 把标签转换成one-hot格式（如果用稀疏交叉熵可以跳过这步）
    one_hot_label = tf.one_hot(y, depth=2)
    return combined_features, one_hot_label

# 加载数据并完成预处理
data = tfds.load("titanic", split='train', as_supervised=True)\
    .map(preprocess)\
    .batch(32)  # 用小批量训练，比全量训练稳定性更好
    .prefetch(tf.data.AUTOTUNE)  # 自动预取优化训练速度

# 定义模型：第一层指定输入特征数为2
model = tf.keras.models.Sequential([
    tf.keras.layers.Dense(13, activation='relu', input_shape=(2,)),
    tf.keras.layers.Dense(2, activation='softmax')
])

# 编译模型
model.compile(
    optimizer=Adam(learning_rate=0.01),
    loss='categorical_crossentropy',
    metrics=['accuracy']
)

# 直接训练
model.fit(data, epochs=30)

2. 额外优化建议 #

• 简化标签处理：如果你不想手动转one-hot，可以改用SparseCategoricalCrossentropy损失函数，直接用原始的0/1标签，代码更简洁：

  def preprocess(x, y):
      age_feature = tf.expand_dims(x['age'], axis=-1)
      fare_feature = tf.expand_dims(x['fare'], axis=-1)
      combined_features = tf.concat([age_feature, fare_feature], axis=-1)
      return combined_features, y  # 直接返回原始标签
  
  model.compile(
      optimizer=Adam(learning_rate=0.01),
      loss=tf.keras.losses.SparseCategoricalCrossentropy(),
      metrics=['accuracy']
  )
  

• 避免全量batch：不要一次性用1309条数据做batch，小批量（比如32、64）训练的收敛效果和稳定性会好很多。

这样修改后，你就能让模型接收合并后的多特征张量，顺利进行训练啦～

内容的提问来源于stack exchange，提问作者AI-Lottery Winner