Python 如何使用OptionsDataset构建卷积神经网络

今年夏天，我开始学习神经网络，目前正计划使用tensorflow_数据集中的voc数据集实现卷积神经网络，用于目标检测。我已使用以下代码段加载数据集：

ds, info = tfds.load('voc', split=['train','test'], with_info=True, shuffle_files=True)

然后，我将数据集拆分为训练和测试，相应地：

train, test = ds[0], ds[1]

我还使用keras layers API构建了我的模型。问题是，我实际上不知道如何使用我的模型来训练这个数据集。如何将此数据集输入到模型中？最有效、最合理的方法是什么

列车类型、试验拆分如下：

print(type(train))
print(type(test))

输出：

<class 'tensorflow.python.data.ops.dataset_ops._OptionsDataset'>
<class 'tensorflow.python.data.ops.dataset_ops._OptionsDataset'>

---

训练数据集包含用于训练模型的数据。测试通常包含用于评估模型的数据。请注意，实际的voc数据集也有一个验证拆分：

因此，通常的逻辑是在训练时使用训练数据集进行训练，使用验证数据集进行验证。然后，使用测试数据集评估模型的性能。因此，结构将如下所示：

model.fit(train_dataset, epochs=x, validation_data=validation_dataset)

model.evaluate(test_dataset)

---

我明白了，但如何将这些拆分转换为模型的输入呢。我的意思是，训练数据集、验证数据集和测试数据集变量的类型是什么？这就是我被卡住的地方。正是你从加载中得到的类型。