TensorFlow报错：Feature不能为rank 0，请求技术解决方案

错误原因 #

你的代码中input_function对tf.data.Dataset的操作存在关键问题：tf.data的API是不可变的，所有数据集操作都会返回新的Dataset对象，原对象不会被修改。但你没有将操作结果重新赋值给ds，导致最终返回的是未经过批量处理的原始数据集——每个样本的特征都是标量（rank 0），而TensorFlow Estimator要求输入的特征张量必须至少是rank 1（带批量维度）。

另外，你将gender标记为数值特征也不符合常规逻辑：gender属于分类特征（比如0/1代表不同性别），当作数值特征会让模型错误认为0和1存在大小关系。

解决方案 #

1. 修复Dataset链式操作 #

修改make_input_fn中的input_function，确保每个数据集操作的结果都重新赋值给ds，同时移除重复的batch操作：

def make_input_fn(data_df, label_df, num_epochs=10, shuffle=True, batch_size=32):
    def input_function():
        ds = tf.data.Dataset.from_tensor_slices((dict(data_df), label_df))
        if shuffle:
            ds = ds.shuffle(1000)
        # 先打乱，再批量，最后重复指定轮次
        ds = ds.batch(batch_size).repeat(num_epochs)
        return ds
    return input_function

2. 修正特征列分类（建议） #

将gender移到分类特征列表中，用分类特征列处理：

CATEGORIZED_DATA = ["genre", "gender"]
NUMERICAL_DATA = []  # 根据你的实际数据调整，若没有数值特征则留空

3. 验证输入形状（可选） #

可以在input_function中添加打印逻辑，确认特征形状是否符合要求：

def input_function():
    ds = tf.data.Dataset.from_tensor_slices((dict(data_df), label_df))
    if shuffle:
        ds = ds.shuffle(1000)
    ds = ds.batch(batch_size).repeat(num_epochs)
    # 打印第一个批次的特征形状，正常应为 (batch_size,)
    for features, labels in ds.take(1):
        for key, tensor in features.items():
            print(f"Feature {key} shape: {tensor.shape}")
    return ds

修改后重新运行代码，即可解决rank 0的报错问题。

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