TextVectorization层不能直接fit原始字符串列表，因默认要求输入为tf.Tensor或np.ndarray且dtype为string；传入Python list会报TypeError，须用tf.constant()包装并提前dropna。
TextVectorization 层为什么不能直接 fit 到原始字符串列表
因为 TextVectorization 默认要求输入是 tf.Tensor 或 np.ndarray，且 dtype 必须为 string；传入 Python list（哪怕全是 str）会报 TypeError: Expected string, got list。
- 正确做法：用
tf.constant()包一层，比如tf.constant(["hello world", "goodbye"]) - 训练时别用
fit()传 pandas Series，先转成tf.constant(df["text"].tolist()) - 如果文本含 NaN，
tf.constant()会静默失败或报奇怪的 shape 错误——务必提前dropna()
如何控制词汇表大小和 OOV 行为
默认 max_tokens=None 会把所有词都塞进 vocab，导致向量维度爆炸；不设 oov_token 的话，未登录词直接被丢弃，模型收不到任何信号。
- 设
max_tokens=10000后，get_vocabulary()返回的 list 长度 ≤ 10000（含[UNK]） - 必须显式指定
oov_token="[UNK]"，否则未登录词不会映射到固定 ID，而是被过滤掉 -
output_mode="int"时，输出是整数 ID 序列；选"count"或"tf_idf"会改变后续层输入形状，别混用
batch_size 和 sequence_length 怎么影响输出 shape
TextVectorization 本身不处理 batch，但你喂给它的数据 shape 决定了输出 shape；output_sequence_length 不是 padding 长度的“上限”，而是强制截断+补零后的**固定长度**。
- 输入是
["a b c", "x y"]，设output_sequence_length=5→ 输出 shape 是(2, 5)，不是(2, None) - 设
output_sequence_length=None时，输出是 ragged tensor，后续接 Dense 层会报错，必须先to_tensor() - 如果训练时设了
output_sequence_length=100，推理时输入超长文本会被无声截断——检查vocab里高频词是否被意外截掉
保存和重用 TextVectorization 层的坑
直接 model.save() 会存下 vocab，但加载后若没调用 adapt() 或没正确 restore，get_vocabulary() 可能返回空或默认值。
立即学习“Python免费学习笔记（深入）”；
- 推荐用
tf.keras.utils.get_file()+layer.set_weights()手动加载 vocab 文件 - 更稳的方式：把
vocab = layer.get_vocabulary()保存为文本，推理时用layer.set_vocabulary(vocab) - 注意 TF 版本差异：
TextVectorization在 TF 2.6+ 支持save_format="h5"，但 TF 2.9+ 默认只认"tf"格式，老代码加载会失败
真正麻烦的是跨环境 vocab 对齐——训练机和部署机的 Unicode 处理（如 emoji、全角空格）稍有不同，get_vocabulary() 就可能不一致。别依赖“看起来一样”，要校验 hash。
