timeseries_dataset_from_array生成的数据集为何无确定shape？

核心触发原因是你直接将pandas DataFrame对象传入了tf.keras.utils.timeseries_dataset_from_array接口，没有显式转换为numpy数组。
该接口在静态构图阶段需要基于输入数组的结构推断输出张量的固定维度，直接传入DataFrame时，TensorFlow无法完成静态维度校验，才会出现维度显示异常和后续报错，具体维度的含义和异常点如下：

• 输出shape的第一个None是batch维的正常动态标记：tf.data.Dataset默认不会硬编码batch大小，避免最后一个批次样本数不足batch_size时出现维度冲突，该位置显示None属于正常设计。
• 输出shape的第二个None是异常维度：你已经指定sequence_length=100，正常情况下该位置应该固定显示为100，出现None就是因为直接传入DataFrame导致API无法在静态阶段确认序列长度，后续训练时框架拿到维度信息不全的张量，就会抛出ValueError: Cannot convert a partially known TensorShape (None, None) to a Tensor报错。

在传入接口前，显式将DataFrame转换为numpy数组，同时建议提前指定数值类型，避免隐式类型转换带来的额外问题，修改后代码如下：

import numpy as np
# 显式转换DataFrame为numpy数组，指定浮点类型适配TensorFlow计算要求
input_array = df.values.astype(np.float32)

dataset = tf.keras.utils.timeseries_dataset_from_array(
    data=input_array,
    targets=input_array, # 该值为临时测试占位，后续可替换为长度匹配的真实标签
    sequence_length=100,
    batch_size=1,
    shuffle=False
)

修改完成后查看数据集的element_spec属性，可看到输入张量shape为(None, 100, 7)，序列长度维度恢复为固定值100，原有报错会自动消失。

补充说明：后续替换真实标签时，需要保证targets的样本数和输入序列数对齐，即总长度为len(input_array) - sequence_length，否则会触发新的维度不匹配错误。当前测试阶段传入全量数组作为targets时，接口内部会自动从第100个样本位置开始截取对应长度的标签，可正常运行。

内容的提问来源于stack exchange，提问作者quant