Keras训练图像描述模型报TypeError: tuple索引需为整数或切片

Keras开发图像描述生成模型时，调用dual_encoder.fit()启动训练即触发报错，相关训练代码如下：

reduce_lr = keras.callbacks.ReduceLROnPlateau(
monitor="val_loss", factor=0.2, patience=3
)
# 创建早停回调
early_stop = tf.keras.callbacks.EarlyStopping(
monitor="val_loss", patience=5, restore_best_weights=True
)
history = dual_encoder.fit(
train_dataloader,
epochs=num_epochs,
#validation_data=val_dataloader,
#callbacks=[reduce_lr, early_stop],
)
print("Training completed. Saving vision and text encoders...")
vision_encoder.save("vision_encoder")
text_encoder.save("text_encoder")
print("Models are saved.")

训练启动后在第一个Epoch直接中断，核心报错为：TypeError: tuple indices must be integers or slices, not str，对应报错位置在模型前向传播逻辑的这行代码：

caption_embeddings = text_encoder(features["caption"], training=training)

这个报错和模型结构、回调配置无关，本质是输入数据格式和模型预期不匹配：

• 模型前向传播逻辑中，默认输入的features是字典结构，需要通过"caption"这类字符串key取出对应的文本、图像输入数据
• 实际传入的train_dataloader迭代产出的每个batch是元组结构，元组仅支持整数下标（如0、1）做索引，用字符串key取值就会触发该类型错误

• 第一步先确认数据加载器的输出结构：执行sample_batch = next(iter(train_dataloader))，打印type(sample_batch)确认返回值类型，同时查看元组每个位置存储的内容（通常元组顺序为输入数据、标签）
• 选择以下任意一种方案对齐格式即可：
  • 方案1：修改数据加载逻辑，让dataloader直接返回字典格式的输入，字典的key和模型中取数使用的key完全对应（比如包含"caption"以及图像输入对应的key）
  • 方案2：不改动数据加载器，直接修改模型call/train_step方法中的取数逻辑，按元组的位置下标取出对应数据，比如caption存在元组第1位就写features[1]，图像输入在第0位就写features[0]
• 改完后先拿刚才提取的sample_batch跑一次前向传播，确认无报错再启动全量训练，避免浪费训练时间

内容的提问来源于stack exchange，提问作者albert