使用带有Keras的tf.Dataset API

我正在尝试将Dataset API与Keras一起使用，并尝试使用上述行动计划中的第三个选项。我还假设，当看到@fchollet的第二条评论时，第三个选项已经完成

但是当我尝试实现它时，我得到了以下错误：

当向模型输入符号张量时，我们希望传感器具有 静态批量大小。获得形状为的张量：

（无、32、64、64、3）

我使用了以下策略来适应模型：

training_文件名=[…]
dataset=tf.data.TFRecordDataset（培训文件名）
dataset=dataset.map（_parse_function_all）#将记录解析为张量。
dataset=dataset.batch（20）
iterator=dataset.make_initializable_iterator（）
视频，标签=iterator.get_next（）
模型=创建基础网络（输入形状=（32,64,64 3））
#上述模型的输出维度为（无，10）
sgd=sgd（lr=0.01，衰变=1e-6，动量=0.9，nesterov=True）
compile（loss='classifical\u crossentropy'，optimizer=sgd）
model.fit（视频、标签、纪元=10，每纪元步长=1000）

我可以使用fit_Generator解决这个问题。我找到了我应用@Dat Nguyen的解决方案。但是，例如，为了计算AUC度量，我无法在自定义回调中访问验证数据集。所以我需要拟合而不是拟合生成器，但首先需要消除这个错误

---

有人能告诉我为什么我会犯这个错误吗？拟合模型的第三步现在在Keras中工作还是仍然存在问题？

因此我想出了如何在没有验证数据的情况下使用带有tf.DatasetAPI的Keras。你可以在这里查看我的问题

我想我是从我的情况中发现问题的。问题是我正在使用独立的Keras。不是从tendorflow导入的。因此，将迭代器直接输入model.fit（）的新特性只有在使用tf.Keras而不是独立的Keras时才有效