TensorFlow多分类任务调用DenseFeatures层报特征rank 0错误如何解决

这个报错的核心是DenseFeatures层要求输入的每个特征张量至少是1维的（形状为(batch_size,)），但你当前从tf.data.Dataset里吐出的每个单独样本的特征是0维的标量，也就是报错里提到的shape=()的张量，所以在传入DenseFeatures时维度校验不通过。
你在构造数据集的时候只做了from_tensor_slices拆分出单个样本，但没有调用batch方法按批次合并样本，导致每个特征都是单样本的标量，不符合输入要求。

直接修改df_to_dataset函数的返回逻辑，在返回前增加batch操作即可，你已经在参数里传入了batch_size，直接调用就行：

def df_to_dataset(df, shuffle=True, batch_size=32): 
  df = df.copy()
  labels = df.pop('class')
  dicts = {'STAR': 1, 'GALAXY': 2, 'QSO': 3}
  converted_labels = np.array([dicts[l] for l in labels])
  ds = tf.data.Dataset.from_tensor_slices((dict(df), converted_labels))
  if shuffle:
    ds = ds.shuffle(buffer_size=len(df))
  # 新增batch操作，把单个样本合并为批次数据，特征维度会自动变为(batch_size,)符合要求
  ds = ds.batch(batch_size)
  return ds

还有两个可优化的细节，建议同步调整：

• 你当前把类别映射为1/2/3，而sparse_categorical_crossentropy要求标签从0开始计数，最好把映射改成{'STAR':0, 'GALAXY':1, 'QSO':2}，避免计算损失时出现索引偏移的问题
• 如果后续训练速度慢，可以在batch操作之后加.prefetch(tf.data.AUTOTUNE)优化数据加载效率

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