Tensorflow 2.0：如何从MapDataset（从TFRecord读取后）转换为可以输入到model.fit的某些结构

我已经将训练和验证数据存储在两个单独的TFRecord文件中，在其中存储了4个值：信号A（float32形状（150，）），信号B（float32形状（150）），标签（标量int64）， id（字符串）。我的阅读解析功能是：

def _parse_data_function(sample_proto):

    raw_signal_description = {
        'label': tf.io.FixedLenFeature([], tf.int64),
        'id': tf.io.FixedLenFeature([], tf.string),
    }

    for key, item in SIGNALS.items():
        raw_signal_description[key] = tf.io.FixedLenFeature(item, tf.float32)

    # Parse the input tf.Example proto using the dictionary above.
    return tf.io.parse_single_example(sample_proto, raw_signal_description)

SIGNALS字典映射信号名称在哪里->信号形状。然后，我读取了原始数据集：

training_raw = tf.data.TFRecordDataset(<path to training>), compression_type='GZIP')
val_raw = tf.data.TFRecordDataset(<path to validation>), compression_type='GZIP')

并使用map解析值：

training_data = training_raw.map(_parse_data_function)
val_data = val_raw.map(_parse_data_function)

显示training_data或的标题val_data，我得到：

<MapDataset shapes: {Signal A: (150,), Signal B: (150,), id: (), label: ()}, types: {Signal A: tf.float32, Signal B: tf.float32, id: tf.string, label: tf.int64}>

这几乎与预期的一样。我还检查了一些值的一致性，它们似乎是正确的。

现在，我要解决的问题是：如何从MapDataset（具有类似于结构的字典）到可以作为模型输入的对象？

我模型的输入是信号对（信号A，标签），尽管将来我也会使用信号B。

对我而言，最简单的方法似乎是在所需元素上创建生成器。就像是：

def data_generator(mapdataset):
    for sample in mapdataset:
        yield (sample['Signal A'], sample['label'])

但是，使用这种方法时，我失去了一些数据集的便利，例如批处理，并且也不清楚如何对的validation_data参数使用相同的方法model.fit。理想情况下，我只会在映射表示形式和数据集表示形式之间进行转换，在该表示形式上对信号A张量和标签对进行迭代。

编辑：我的最终产品应该是类似于以下内容的标题：<TensorSliceDataset shapes: ((150,), ()), types: (tf.float32, tf.int64)>但不一定TensorSliceDataset