Python 从数据集中训练单词嵌入时不提供梯度

我正在尝试从TF2数据集中训练自定义单词嵌入。我的文本已经被编码为整数，我的模型在示例数据集（即从中加载的数据集）上运行良好。但是，当我从（批处理的）数据集中输入张量时，模型无法开始使用

ValueError进行训练：没有为任何变量提供梯度：[“嵌入/嵌入：0”，“relu/kernel:0”，“relu/bias:0”，“out/kernel:0”，“out/bias:0”。

我不明白为什么会这样。导致相同错误的类似代码示例：

import tensorflow as tf
from tensorflow import keras 
from tensorflow.keras import layers

# build example dataset
tensor = tf.constant([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
dataset = tf.data.Dataset.from_tensor_slices(tensor)

model = keras.Sequential([
  layers.Embedding(100, 18, name='embed'),
  layers.GlobalAveragePooling1D(),
  layers.Dense(16, activation='relu', name='relu'),
  layers.Dense(1, name='out')
], name="embedder")

model.summary() # shows 2,121 trainable params
model.compile(optimizer='adam',
              loss=tf.keras.losses.BinaryCrossentropy(),
              metrics=['accuracy'])

model.fit( # breaks here
    dataset,
    epochs=10,
    validation_data=dataset)

---

tf.keras.Sequential.fit的
x
参数表示（，由于使用了一个数据集，因此我用粗体显示了似乎相关的部分）：

输入数据。它可以是：


Numpy数组（或类似数组）或数组列表（如果模型有多个输入）
张量流张量或张量列表（如果模型有多个输入）
A
dict
将输入名称映射到相应的数组/张量（如果模型已命名输入）
A
tf.data数据集
应返回（输入、目标）或（输入、目标、样本权重）的元组。
生成器或
keras.utils.Sequence
返回（输入，目标）或（输入，目标，样本权重）。下面给出了迭代器类型（数据集、生成器、序列）解包行为的更详细描述

但是，数据集似乎已设置为只生成单个张量（而不是张量的元组）：

tensor=tf.常数（[[1,2,3]，[4,5,6]，[7,8,9]）
dataset=tf.data.dataset.from_tensor_切片（张量）
打印（数据集元素规格）
>>>TensorSpec（形状=（3，），数据类型=tf.int32，名称=无）

用
目标列表构建数据集应为模型提供所需：

tensor = tf.constant([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
dataset = tf.data.Dataset.from_tensor_slices((
  tensor,
  [[0.0], [1.0], [1.0]]  # Arbitrary targets.
))
print(dataset.element_spec)
>>> (TensorSpec(shape=(3, 1), dtype=tf.int32, name=None), TensorSpec(shape=(1,), dtype=tf.float32, name=None))

tf.keras.Sequential.fit的
x
参数表示（，由于使用了一个数据集，因此我用粗体显示了似乎相关的部分）：

输入数据。它可以是：


Numpy数组（或类似数组）或数组列表（如果模型有多个输入）
张量流张量或张量列表（如果模型有多个输入）
A
dict
将输入名称映射到相应的数组/张量（如果模型已命名输入）
A
tf.data数据集
应返回（输入、目标）或（输入、目标、样本权重）的元组。
生成器或
keras.utils.Sequence
返回（输入，目标）或（输入，目标，样本权重）。下面给出了迭代器类型（数据集、生成器、序列）解包行为的更详细描述

但是，数据集似乎已设置为只生成单个张量（而不是张量的元组）：

tensor=tf.常数（[[1,2,3]，[4,5,6]，[7,8,9]）
dataset=tf.data.dataset.from_tensor_切片（张量）
打印（数据集元素规格）
>>>TensorSpec（形状=（3，），数据类型=tf.int32，名称=无）

用
目标列表构建数据集应为模型提供所需：

tensor = tf.constant([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
dataset = tf.data.Dataset.from_tensor_slices((
  tensor,
  [[0.0], [1.0], [1.0]]  # Arbitrary targets.
))
print(dataset.element_spec)
>>> (TensorSpec(shape=(3, 1), dtype=tf.int32, name=None), TensorSpec(shape=(1,), dtype=tf.float32, name=None))

你能提供有效的代码吗？不，我在想办法。你能提供有效的代码吗？不，我在想办法。