Keras传入tf.data.Dataset报Inputs to a layer should be tensors错误

这个报错的核心原因是：模型的直接前向传播接口（即model(x)调用方式）只接受形状匹配的特征张量作为输入，不接受tf.data.Dataset对象。

你之前的操作存在两个认知误区：

• tf.data.Dataset是封装了「特征+标签」的数据集迭代容器，哪怕做了shuffle、batch处理，它本质还是容器对象，不是可以直接输入模型的张量；
• 你的数据集存储的是(特征, 标签)的元组，就算要传数据给模型，也只能传特征部分，不能把标签一起传入。

1. 补全数据集预处理 #

从你打印的样本可以看到，当前特征和标签都是int64类型，而Keras的Dense层默认要求输入为浮点类型，需要先做类型转换，同时完成打乱、分批次操作：

def process_pair(features, labels):
    # 特征转float32匹配层计算要求，标签保持int类型适配分类损失
    return tf.cast(features, tf.float32), labels

# 对三个数据集统一做预处理
train_dataset = train_dataset.map(process_pair).shuffle(buffer_size=1024).batch(32)
val_dataset = cv_dataset.map(process_pair).batch(32)
test_dataset = test_dataset.map(process_pair).batch(32)

2. 预览模型输出的正确写法 #

要提前查看模型前向传播结果，需要先从Dataset中取出一个批次的特征张量，再传入模型：

# 取1个批次的数据，得到(特征批次张量, 标签批次张量)
for batch_x, batch_y in train_dataset.take(1):
    # 仅传入特征张量得到预测结果
    predictions = model(batch_x)
    # 打印前5条预测值
    print(predictions[:5])
    break

3. 正式训练/评估的正确用法 #

当你使用Keras内置的fit/evaluate/predict高级接口时，可以直接传入处理好的Dataset对象，这些接口内部会自动迭代数据集、拆分特征和标签喂给模型，不需要手动取批次：

model.compile(optimizer='adam',
              # 最后一层未加softmax激活，损失函数需要开启from_logits=True
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy'])

# 直接传入数据集即可开始训练
model.fit(
    train_dataset,
    validation_data=val_dataset,
    epochs=10
)

# 测试集评估也可直接传入Dataset
model.evaluate(test_dataset)

补充提示：你当前搭建的模型最后一层输出维度为3，对应3分类任务，请确保你的标签取值为0、1、2三个值，否则训练时会出现标签维度不匹配的错误。

内容的提问来源于stack exchange，提问作者James tan