如何将TFRecord文件输入模型训练并修复输入形状不匹配报错

报错的核心是TFRecord数据集返回的单样本缺少batch维度，而Keras模型输入默认要求第一个维度为可变batch维度（即报错信息中的None维度）。

方案1：给数据集添加batch操作（最推荐） #

在获取数据集后调用.batch()方法指定批次大小即可，测试阶段可设为1，正式训练可根据显存容量调整为2、4等数值。
修改训练代码如下：

dataset = get_dataset('test.tfrecords')
# 新增batch操作，这里测试用batch size=1
dataset = dataset.batch(1)

my_model.fit(dataset, epochs = 1)

修改后可执行以下代码确认形状匹配：

print(dataset.element_spec)
# 预期输出：(TensorSpec(shape=(None, 240, 240, 155, 4), dtype=tf.float32, name=None), TensorSpec(shape=(None, 240, 240, 155), dtype=tf.int32, name=None))

注意：3D卷积的显存占用较高，设置大batch size前请先确认显存容量足够

方案2：手动给单样本添加batch维度 #

如果仅需要单样本训练/推理，不需要批量处理，可以在数据预处理阶段手动给每个样本添加第0维的batch维度，修改get_image_and_label函数即可：

def get_image_and_label(features):
  image, label = features['image'], features['label']
  # 手动添加batch维度
  image = tf.expand_dims(image, axis=0)
  label = tf.expand_dims(label, axis=0)
  return image, label

内容的提问来源于stack exchange，提问作者user15515518