如何在tf.Dataset上正确适配TextVectorization层

tf.data.experimental.make_csv_dataset 加载后返回的数据集结构为 (特征字典, 标签张量) 的二元组：其中特征字典的key是CSV表头的列名，value是对应列的批次张量；标签是你指定label_name="tags"对应的tags列张量。
直接把这个完整数据集传给vectorizer.adapt()时，TextVectorization层接收到的输入是嵌套的元组+字典结构，而非它要求的纯字符串文本张量，因此触发类型错误。

1. 从原始训练数据集中单独抽取出需要做向量化的文本列，剔除标签和其他无关特征列。先确认自己CSV中存储待处理文本的列名，替换下方代码里的占位符即可：

# 替换为你的CSV里实际的文本列名，比如文本列叫code就写x["code"]
text_only_ds = data_provider.train_ds.map(lambda feature_batch, label_batch: feature_batch["your_text_column_name"])

2. （可选优化）给文本数据集加预取，加快adapt阶段的处理速度：

text_only_ds = text_only_ds.prefetch(tf.data.AUTOTUNE)

3. 传入纯文本数据集执行适配：

vectorizer.adapt(text_only_ds)

• 如果你有多列文本需要输入同一个TextVectorization层处理，可以在map步骤中将多列文本拼接为单个字符串张量后输出，不要保留字典结构
• adapt方法不会自动拆分(特征,标签)元组，也不会自动从特征字典中筛选文本列，所有传入adapt的数据集必须保证每一批输出直接是待处理的字符串张量
• 适配阶段不要对文本做额外的数值转换，保持原始字符串类型输出即可

内容的提问来源于stack exchange，提问作者1231fdgsg78sdf7