Apache spark ValueError:要素列的项必须是要素列。（Tensorflow 1.13）

运行Tensorflow-1.13+Horovod-0.16+Spark-0.24+Petastorm-0.17时，我遇到了一个值错误。它是一个模型fn和一些指示符列的简单实现，但是抛出了一个类似于的错误

错误是

[1,1]<stderr>:    features, labels, model_fn_lib.ModeKeys.TRAIN, self.config)
[1,1]<stderr>:  File "/usr/local/lib/python3.5/site-packages/tensorflow_estimator/python/estimator/estimator.py", line 1112, in _call_model_fn
[1,1]<stderr>:    model_fn_results = self._model_fn(features=features, **kwargs)
[1,1]<stderr>:  File "/mnt/Optimitron/optimitron_spark_tf.py", line 616, in tf_model_fn
[1,1]<stderr>:  File "/usr/local/lib/python3.5/site-packages/tensorflow/python/feature_column/feature_column.py", line 302, in input_layer
[1,1]<stderr>:    cols_to_output_tensors=cols_to_output_tensors)
[1,1]<stderr>:  File "/usr/local/lib/python3.5/site-packages/tensorflow/python/feature_column/feature_column.py", line 181, in _internal_input_layer
[1,1]<stderr>:    feature_columns = _normalize_feature_columns(feature_columns)
[1,1]<stderr>:  File "/usr/local/lib/python3.5/site-packages/tensorflow/python/feature_column/feature_column.py", line 2263, in _normalize_feature_columns
[1,1]<stderr>:    'Given (type {}): {}.'.format(type(column), column))
[1,1]<stderr>:ValueError: Items of feature_columns must be a _FeatureColumn. Given (type <class 'collections.IndicatorColumn'>): IndicatorColumn(categorical_column=VocabularyListCategoricalColumn(...

模型_fn只是一个线性分类器：

def tf_model_fn（特性、标签、模式、参数）：
"""
Args：
特征：这是从传递给训练、评估和预测的输入返回的第一项。
这应该是一个单一的tf。张量或相同的dict。
标签：这是从传递给训练、评估和预测的输入返回的第二项。
这应该是一个相同的tf.张量或dict（对于多头模型）。
如果模式为tf.estimator.ModeKeys.PREDICT，则将传递标签=无。
如果model_fn的签名不接受mode，model_fn必须仍然能够处理labels=None。
模式（tf.estimator.ModeKeys）：可选。指定此训练、评估还是预测。请参阅tf.estimator.ModeKeys。
params（dict）：从估计器实例化接收的超参数的可选dict
返回：
tf.estimator.estimator规范：
"""
将horovod.tensorflow作为hvd导入
#建立稠密模型
net=tf.feature\u column.input\u层（features，list（参数['feature\u columns']））
对于参数['hidden_units']中的单位：
net=tf.layers.dense（net，units=units，activation=tf.nn.relu）
logits=tf.layers.densed（净，1，激活=无）
#生成预测（用于预测和评估模式）
概率=tf.nn.sigmoid（logits）
预测={
“概率”：概率，
“logits”：logits，
}
#计算日志损失（用于乙状结肠激活）
#y_列形状重塑（（y_列形状[0]，1））
标签\u重塑=tf.重塑（标签，[-1,1]）
损失=tf.loss.sigmoid\u交叉熵（多类标签=labels\u重塑，logits=logits）
#损失=tf.损失.日志损失（标签、概率）
如果模式==tf.estimator.ModeKeys.TRAIN：
optimizer=params.get（'optimizer'，hvd.DistributedOptimizer（tf.train.FtrlOptimizer（learning_rate=params[“learning_rate”]））
列车运行=优化器。最小化(
损失=损失，
global\u step=tf.train.get\u global\u step（）
)
返回tf.estimator.EstimatorSpec（模式=模式，损耗=损耗，列车运行=列车运行）
elif mode==tf.estimator.ModeKeys.EVAL：
返回tf.estimator.EstimatorSpec（模式=模式，损失=损失）
elif mode==tf.estimator.ModeKeys.PREDICT：
返回tf.estimator.EstimatorSpec（模式=模式，预测=预测）
其他：
引发异常（“错误模式！”）

模型是通过

horovod.spark.run（tf\u model\u fn，feature\u columns，…）

我知道所有列的传递都是正确的，但从另一个相关问题来看，Spark是如何为Tensorflow打包列的