JupyterLab中训练TensorFlow回归模型触发RuntimeError：tf.data.Dataset仅支持在eager模式或tf.function内进行Python式迭代，求修复方案

嗨，看了你的问题和代码，我发现你踩了两个关键小坑，才触发了这个RuntimeError，咱们一步步来修复：

第一个坑：特征数据处理+变量名错误 #

你的原始特征df_total_x_data是3列（lamda, eps, c）的多维数据，但你用reshape(-1, 1)把它硬生生压成了单维度，这不仅浪费了另外两个特征的信息，还会导致后续模型输入形状不匹配。而且你后面拆分数据集时用的是x_data，但定义的变量是X_data，大小写不一致也会导致数据异常。

修复方案：
去掉多余的reshape，保留原数据的3列形状，同时修正变量名：

# 保留3列特征的原始形状，不需要reshape
X_data = df_total_x_data.values
y_data = df_sen_final.values

# 修正变量名，和上面的X_data保持一致，避免数据错误
x_train, x_test, y_train, y_test = train_test_split(X_data, y_data, test_size=0.2, random_state=42)

第二个坑：模型输入形状和特征不匹配 #

你定义的模型输入形状是input_shape=(1,)，但实际特征是3列，输入维度应该是3。这种形状不兼容会让TensorFlow在处理数据集迭代时抛出那个RuntimeError。

修复方案：
把模型的输入形状改成特征的维度数（也就是3）：

model = tf.keras.Sequential([tf.keras.layers.Dense(1, input_shape=(3,))])

额外的验证小技巧 #

如果修改后还是有问题，可以检查一下数据类型，TensorFlow对float32类型的数据兼容性更好，你可以加一行类型转换：

X_data = df_total_x_data.values.astype('float32')
y_data = df_sen_final.values.astype('float32')

完整修正后的代码 #

import tensorflow as tf
from sklearn.model_selection import train_test_split
import pandas as pd

# 假设df_total_x_data和df_sen_final是你已经加载好的DataFrame
X_data = df_total_x_data.values.astype('float32')  # 保留3列特征，转为float32类型
y_data = df_sen_final.values.astype('float32')

# 拆分训练集和测试集，修正变量名
x_train, x_test, y_train, y_test = train_test_split(X_data, y_data, test_size=0.2, random_state=42)

# 定义模型，输入形状匹配3个特征
model = tf.keras.Sequential([tf.keras.layers.Dense(1, input_shape=(3,))])
model.compile(optimizer='adam', loss='mean_squared_error')

# 启动训练
model.fit(x_train, y_train, epochs=10, validation_data=(x_test, y_test))

备注：内容来源于stack exchange，提问作者Earth