Your `PyDataset` class should call `super().__init__(**kwargs)` in its constructor. `**kwargs` can include `workers`, `use_multiprocessing`, `max_queue_size`. Do not pass these arguments to `fit()`, as they will be ignored. Traceback (most recent call last): File "C:\Users\PC\Desktop\论文\fingerprint_recognition\train.py", line 169, in <module> history = model.fit(train_gen, epochs=10, validation_data=val_gen) ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ File "C:\Users\PC\anaconda3\Lib\site-packages\keras\src\utils\traceback_utils.py", line 122, in error_handler raise e.with_traceback(filtered_tb) from None File "C:\Users\PC\anaconda3\Lib\site-packages\tensorflow\python\data\ops\from_generator_op.py", line 124, in _from_generator raise TypeError(f"`output_signature` must contain objects that are " TypeError: `output_signature` must contain objects that are subclass of `tf.TypeSpec` but found <class 'list'> which is not.

### 解决方案 当遇到错误提示 `TypeError: 'output_signature' must contain objects that are subclass of 'tf.TypeSpec' but found <class 'list'>` 时，这通常表明 TensorFlow 的数据管道配置存在问题。具体来说，在定义自定义数据集（如通过 `PyDataset` 或其他方式创建的数据生成器）时，返回的对象不符合 TensorFlow 所需的类型签名。 以下是可能的原因以及解决方案： #### 原因分析 1. **不兼容的输出签名**: TensorFlow 数据管道中的 `output_signature` 参数需要指定每个样本及其标签的具体结构和类型。如果该参数未正确定义，则会引发此错误。 2. **返回值类型不符**: 如果数据生成器函数返回的是 Python 列表而非 TensorFlow 支持的张量对象（如 `tf.Tensor`），则会导致此类问题[^1]。 --- #### 解决方法 为了修复这个问题，可以按照以下方式进行调整： ##### 方法一：修正 `output_signature` 确保在构建 `tf.data.Dataset.from_generator()` 函数时，正确设置 `output_signature` 参数。例如，假设您的生成器返回 `(features, labels)` 对的形式，其中 `features` 是一个字典或数组，而 `labels` 是单个数值，则应如下定义： ```python import tensorflow as tf def data_generator(): for i in range(10): features = {"feature_1": [i], "feature_2": [i * 2]} label = [i % 3] yield (features, label) dataset = tf.data.Dataset.from_generator( generator=data_generator, output_signature=( { "feature_1": tf.TensorSpec(shape=(None,), dtype=tf.int32), "feature_2": tf.TensorSpec(shape=(None,), dtype=tf.int32) }, tf.TensorSpec(shape=(None,), dtype=tf.int32) ) ) ``` 在此示例中： - 使用了 `tf.TensorSpec` 来描述特征和标签的形状与数据类型。 - 特征被表示为一个字典，键对应于不同的输入字段名称，值则是对应的张量规格。 --- ##### 方法二：转换生成器的输出 如果您无法修改原始生成器逻辑，可以在其外部添加一层封装以将列表或其他非支持类型的对象转换成 Tensor。例如： ```python def convert_to_tensor(data): if isinstance(data, dict): # 处理字典型特征 return {key: tf.convert_to_tensor(value) for key, value in data.items()} elif isinstance(data, list): # 转换单纯列表到Tensor return tf.convert_to_tensor(data) else: raise ValueError(f"Unsupported type encountered: {type(data)}") for batch_features, batch_labels in dataset: converted_features = convert_to_tensor(batch_features) converted_labels = convert_to_tensor(batch_labels) model.fit(converted_features, converted_labels, ...) ``` 这里的关键在于利用 `tf.convert_to_tensor()` 将任何可迭代对象转化为合适的张量形式。 --- ##### 方法三：验证 Keras 模型适配性 另外需要注意的一点是，某些特定模型（比如来自 TensorFlow Decision Forests 库的随机森林模型[^1]）并不完全依赖标准神经网络训练流程，因此它们对于输入的要求可能会有所不同。若您正在尝试混合使用传统深度学习框架与其他机器学习工具，请仔细查阅官方文档确认两者间的接口一致性。 --- ### 总结 综上所述，要解决这个 TypeError 错误，主要可以从以下几个方面入手： 1. 正确设定 `from_generator` 中的 `output_signature`； 2. 确保所有传入 Keras API 的数据均已被适当转译为 Tensors； 3. 验证所选模型是否能够良好配合当前使用的数据流机制。 希望以上建议能帮助您成功解决问题！ ---