我遵循了有关如何创建/加载TFRecords here的官方教程。
因此，现在我的数据集包含{"feat1":..., "feat2":..., "feat3":...}形式的示例。
我有一个模型（子类），该模型旨在使用feat1的派生词作为输入，并预测feat2和feat3作为输出。它的.call()方法返回一个字典：{"feat3":logits3, "feat2":logits2}，而我使用SparseCategoricalCrossentropy(from_logits=True)作为损失函数。根据{{3}}，您可以命名输出层以指定不同的输出，这是我在子类化模型中所做的。
现在，我将训练数据作为tf.Dataset加载（如本教程中所述），并希望将其传递给我的Keras模型的.fit()函数。
我当前的设置是这样
prep_model = HuggingFaceModel()
tokenizer = HuggingFaceTokenizer()
my_model = MySubclassedModel()
inputs = tf.keras.Input(shape=(None,), name="feat1")
input_dict = tokenizer.encode(inputs) # causes TypeError - works if I pass feat1 manually
x = tf.constant(input_dict)[None, :] # works if I pass feat1 manually
x = prep_model(inputs)
out = my_model(x)
model = tf.keras.Model(inputs=inputs, outputs=[out["feat2"], out["feat3"]])
train_data = read_tf_dataset(path)
optimizer = tf.keras.optimizers.Adam(learning_rate=1e-3)
model.compile(optimizer, loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True))
model.fit(train_data, epochs=1, batch_size=8)
但是，当我尝试此操作时，我得到了TypeError，而在input_dict = tokenizer.encode(inputs)上没有任何其他错误消息。由于此精确设置适用于使用HuggingFace模型进行手动推断，因此我认为问题出在.fit()方法或传递数据集的方式上。
我的调试器只告诉我inputs是<tf.Tensor 'feat1:0' shape=(None, None) dtype=float32>，而当我尝试tf.print(inputs)时，我得到：
AttributeError: 'Tensor' object has no attribute '_datatype_enum'
如果有人可以帮助或至少给我提示如何调试它，我将非常感激！我是TF / Keras的新手。