Tensorflow tf.keras.Model如何区分tf.data.Dataset和TFRecords中的特征和标签？

我试图从CSV数据创建

tfrecords

文件，然后我想使用

tf.data.TFRecordDataset（）

从它们创建

Dataset

，然后将

Dataset

馈送到

tf.keras.Model

。（事实上，我正在使用Spark数据帧直接创建

tfrecords

文件。）

在中，参数

x

是输入数据。它可以是：

一个tf.data数据集。应返回其中一个（输入、目标）的元组 或（输入、目标、样本权重）

问题1：这是

tf.keras.Model

知道在哪里分离功能和标签的地方吗？即，功能是

输入

，标签是

目标

然而，在一些示例中，我在

tfrecords

文件或

tf.data.Dataset

的构建中看不到任何“元组”。比如下面

---

Q2:<强>那么，这是如何知道在哪里找到特征和在哪里找到标签的？< /强>为什么模型不会把“标签”作为数据特征？

您需要考虑完整的代码示例，即完成培训的其他文件等。主要功能是

parse_和_decode

函数，在该函数中解析TFRecords文件（如果没有这样的解析函数，则无法解释数据），并为每条数据返回一个元组

图像、标签

。然后在

create\u datasets

函数中将此函数映射到数据集上

因此，提供给

model.fit

的数据集实际上是一个元组数据集，据我所知，如果您提供一个

tf.data.dataset

作为

fit

函数的输入——一个元组数据集

输入、标签

，那么这正是模型将假定的。因此，第一个将作为模型的输入，第二个作为损失函数的目标

            feature={
                'image': _bytes_feature(data[i].tobytes()),
                'label': _int64_feature(labels[i])
            }))

---

这里，

image

和

label

是一个元组，其中image具有

byte

类型，标签具有

int64

类型。你可以读更多

谢谢！这是否意味着，无论我使用

tfrecords

文件或其他文件格式来创建

tf.data

数据集，我都应该使用类似于

dataset.map（self.\u parse\u and\u decode）

的东西来返回元组

输入、标签的数据集，然后再馈送到
Model.fit（）
？之前我从
输入创建了
tf.data
数据集，通过
train\u dataset=tf.data.dataset.from\u tensor\u切片（（train\u model\u input，train[target].to\u numpy（））
，其中
train\u model\u input
是输入特性的记录：{name:numpy array}。它起作用了。这是一种错误的方法吗？
from_tensor_slices
的工作方式很好——就像在您的示例中，您可以直接给它一个元组。但是，
.tfrecords
文件是以字节格式保存的，需要首先对其进行解析/解释——解析函数的任务就是这样做。在某种程度上，此函数需要反转您在问题中发布的代码中的
tf.train.Example
编码内容。
# Read dataset from tfrecords
dataset = tf.data.TFRecordDataset(tfrecords_files)

            feature={
                'image': _bytes_feature(data[i].tobytes()),
                'label': _int64_feature(labels[i])
            }))