TensorFlow多输入模型传入PrefetchDataset预测报张量输入错误求助

报错原因 #

• Keras模型实例直接调用model(inputs)的前向传播逻辑，仅支持传入张量/张量列表类型的输入，你传入的Test_dataset是tf.data.PrefetchDataset数据集对象，不属于张量类型，因此触发类型错误。
• 训练阶段调用model.fit()无报错是因为fit方法原生适配tf.data.Dataset类型输入，内部会自动迭代数据集提取张量批次进行计算，和直接调用模型的输入要求不一致。

适配要求的解决方案 #

你要求必须使用model()而非predict方法推理，只需要手动迭代测试数据集，逐批次取出张量输入模型即可，示例代码如下：

# 初始化结果存储容器
predictions = []
true_labels = []

# 遍历测试集所有批次
for batch_x, batch_y in Test_dataset:
    # 直接调用模型传入批次输入张量，符合你要求的调用方式
    batch_pred = model(batch_x)
    # 存储当前批次结果，调用numpy()可脱离TensorFlow计算图
    predictions.append(batch_pred.numpy())
    true_labels.append(batch_y.numpy())

预测结果与真实标签存储方案 #

你可以将所有批次的结果拼接为全量数组后按需存储，示例如下：

import numpy as np
import pandas as pd

# 拼接所有批次的结果为完整数组
all_predictions = np.concatenate(predictions, axis=0).flatten()
all_true_labels = np.concatenate(true_labels, axis=0).flatten()

# 方案1：存储为npy格式，适合后续Python读取处理
np.save("test_predictions.npy", all_predictions)
np.save("test_true_labels.npy", all_true_labels)

# 方案2：存储为csv格式，方便通用工具查看
result_df = pd.DataFrame({
    "true_label": all_true_labels,
    "prediction": all_predictions
})
result_df.to_csv("test_result.csv", index=False)

内容的提问来源于stack exchange，提问作者Mehdi