ValueError：层模型_1 需要 1 个输入，但它收到 2 个输入张量

Question

我正在制作人脸检测系统，我对这件事很陌生，所以如果缺少某些信息，请提前道歉。请耐心等待：

下面展示了我是如何创建数据集的。

 Preprocess x data
        self.x_train = x_train.astype(np.float32)
        self.x_test = x_test.astype(np.float32)
        self.x_val = x_val.astype(np.float32)
        # Preprocess y data
        self.y_train = to_categorical(y_train, num_classes= self.num_classes)
        self.y_test = to_categorical(y_test, num_classes= self.num_classes)
        self.y_val = to_categorical(y_val, num_classes= self.num_classes)
        
        # Dataset attributes
        self.train_size = self.x_train.shape[0]
        self.test_size = self.x_test.shape[0]
        self.val_size = self.x_val.shape[0]
        self.width = self.x_train.shape[1]
        self.height = self.x_train.shape[2]
        self.depth = self.x_train.shape[3]
        self.img_shape = (self.width, self.height, self.depth)
        
        # tf.data Datasets
        self.train_dataset = tf.data.Dataset.from_tensor_slices((self.x_train, self.y_train))
        self.test_dataset = tf.data.Dataset.from_tensor_slices((self.x_test, self.y_test))
        self.val_dataset = tf.data.Dataset.from_tensor_slices((self.x_val, self.y_val))
        self.train_dataset = self._prepare_dataset(self.train_dataset, shuffle=True, augment=True)
        self.test_dataset = self._prepare_dataset(self.test_dataset)
        self.val_dataset = self._prepare_dataset(self.val_dataset)

    def get_train_set(self) -> tf.data.Dataset:
        return self.x_train, self.y_train

    def get_test_set(self) -> tf.data.Dataset:
        return self.x_test, self.y_test

    def get_val_set(self) -> tf.data.Dataset:
        return self.x_val, self.y_val

    model.fit(
        train_dataset,
        verbose=1,
        batch_size=batch_size,
        epochs=epochs,
        callbacks=[tb_callback],
        validation_data=val_dataset
    )

执行此操作后，我收到一个错误 ValueError：层模型_1 需要 1 个输入，但它收到 2 个输入张量 我已经阅读了与此相关的其他答案，其中提到将输入作为元组（我尝试过但没有帮助）。 我正在 Colab 上使用 tensorflow 版本 = 2.4.1。 如果有人可以帮助我解决此错误，我将不胜感激。提前致谢。保持健康。