当数据集tfrecord具有2个以上element_spec特征时，如何训练模型？

如何解决当数据集tfrecord具有2个以上element_spec特征时，如何训练模型？

最近我已经学习了如何基于.tfrecord文件训练模型并取得了一些不错的成就。但是，在模型训练期间，当处理2个以上element_spec（或2个以上特征的tfrecord）数据集时，我遇到了一些问题我创建了一个简单的代码，如下所示：

import tensorflow as tf
import numpy as np
import os
from tensorflow.keras import models,losses,optimizers

buffer_size = 100
batch_size = 32


def _bytes_feature(value):
    """Returns a bytes_list from a string / byte."""
    if isinstance(value,type(tf.constant(0))):
        value = value.numpy()  # BytesList won't unpack a string from an EagerTensor.
    return tf.train.Feature(bytes_list=tf.train.BytesList(value=[value]))


def _float_feature(value):
    """Returns a float_list from a float / double."""
    return tf.train.Feature(float_list=tf.train.FloatList(value=[value]))


def _int64_feature(value):
    """Returns an int64_list from a bool / enum / int / uint."""
    return tf.train.Feature(int64_list=tf.train.Int64List(value=[value]))


def serialize_array(array):
    array = tf.io.serialize_tensor(array)
    return array


def trans_func(exam):
    feature_description = {
        'former_seq': tf.io.FixedLenFeature([],tf.string),'processed_latter_seq': tf.io.FixedLenFeature([],'actual_latter_seq': tf.io.FixedLenFeature([],}
    features = tf.io.parse_single_example(exam,feature_description)
    former_seq = tf.io.parse_tensor(features['former_seq'],tf.float32)
    processed_latter_seq = tf.io.parse_tensor(features['processed_latter_seq'],tf.float32)
    actual_latter_seq = tf.io.parse_tensor(features['actual_latter_seq'],tf.float32)
    return former_seq,processed_latter_seq,actual_latter_seq


# write and read .tfrecord
X = np.random.normal(size=(32,28,5))
Y = np.random.normal(size=(32,3))
Ymin,Ymax = tf.reduce_min(Y),tf.reduce_max(Y)
ruduced_Y = (Y - Ymin) / Ymax

writer = tf.io.TFRecordWriter('test.tfrecords')
feature = {'former_seq': _bytes_feature(serialize_array(X)),'processed_latter_seq': _bytes_feature(serialize_array(ruduced_Y)),'actual_latter_seq': _bytes_feature(serialize_array(Y)),}
example = tf.train.Example(features=tf.train.Features(feature=feature))
writer.write(example.SerializetoString())
writer.close()

dataset = tf.data.TFRecordDataset('test.tfrecords')
dataset = dataset.map(trans_func)
dataset = dataset.shuffle(buffer_size)

# create a simple model
inputs = tf.keras.Input((32,32,5))
outputs = tf.keras.layers.Conv2D(filters=3,kernel_size=3,padding='same')(inputs)
simple_model = tf.keras.models.Model(inputs,outputs)
simple_model.compile(optimizer=optimizers.Adam(),loss=losses.MAE,metrics=['mse'])
simple_model.summary()

很抱歉，这些代码看起来有些长。众所周知，在数据预处理中，我在 Y 上使用min-max-normalization来获得 reduced_Y 和使用模型来计算 predict_reduced_Y （代码中未显示），在对predict_reduced_Y进行数据还原之后，最终我可以得到predict_Y。

因此，问题出在函数 trans_func 返回三种数据上，这使得数据集具有3个element_spec（X，reduced_Y，Y）。但是在模型中。 fit，它仅支持两个element_spec。我尝试了几次但失败了：

simple_model.fit(dataset,epochs=5)
simple_model.fit(dataset.element_spec[0],dataset.element_spec[1],epochs=5)

对于这个问题，我还有几种不太聪明的解决方案。例如，对数据集使用 for循环来获取 X，reduced_Y，Y，然后

simple_model.fit(X,reduced_Y,epochs=5)

另一个示例，让 test.tfrecord 仅具有X，Y，而让trans_func具有min-max-normalization并返回X，reduced_Y。但是，我对他们不满意，因为他们避免了数据集具有两个以上elment_spec的情况。我只是想为这种情况找到一个好的解决方案。

非常感谢。