直接用 tf.feature_column 会报 ValueError 是因为必须传入列表而非单个列对象，正确写法是 DenseFeatures([categorical_column])；它仅用于输入层特征转换，不参与训练，且要求输入 dict 键名严格匹配列名。
为什么直接用 tf.feature_column 会报 ValueError: feature_columns must be a list
因为 tf.feature_column 不接受单个列对象，必须传入列表——哪怕只有一列。常见写法错误是：feature_layer = tf.keras.layers.DenseFeatures(categorical_column)，漏了方括号。正确写法是：feature_layer = tf.keras.layers.DenseFeatures([categorical_column])。另外，tf.feature_column 只在构建模型输入层时起作用，它不参与训练，也不修改原始数据；它只是把原始特征（比如字符串、稀疏ID）转成张量供后续层使用。
数值型特征用 numeric_column 但要注意缺失值处理
numeric_column 默认把 NaN 当作 0，这通常不是你想要的。如果字段本身允许空值（如数据库里的 NULL），应显式指定 default_value 或先清洗。例如：tf.feature_column.numeric_column("age", default_value=-1)。更稳妥的做法是在预处理阶段用 pandas 填充或删除缺失行，避免模型学到错误的“默认行为”。注意：该列输入必须是 1D 张量，若原始数据是 DataFrame 的 Series，需确保没带索引干扰 shape。
类别型特征选 categorical_column_with_vocabulary_list 还是 _hash_bucket？
取决于词汇量是否固定且可控：
- 用 categorical_column_with_vocabulary_list 适合枚举明确的字段（如 ["red", "green", "blue"]），能保证映射稳定，便于解释；
- 用 categorical_column_with_hash_bucket 适合高基数字段（如用户ID、商品标题），但哈希冲突不可控，且无法反查原始值；
- 别误用 categorical_column_with_identity 处理字符串——它只接受整数 ID，输字符串会直接报错 TypeError: Expected int32, but got 'apple' of type <class></class>。
嵌入（embedding）必须套在 categorical_column 外层，不能直接对原始字符串用
embedding_column 的第一个参数必须是已定义的 categorical_column，不是原始特征名。典型错误写法：tf.feature_column.embedding_column("user_id", dimension=8) —— 这会报 TypeError: categorical_column must be a <code>CategoricalColumn。正确链路是：user_id_cat = tf.feature_column.categorical_column_with_hash_bucket("user_id", hash_bucket_size=1000)，再套：tf.feature_column.embedding_column(user_id_cat, dimension=8)。维度设太高（如 128）会导致 embedding 层参数爆炸，尤其当 hash bucket 数量大时，要结合内存和任务复杂度权衡。
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
实际中容易被忽略的是：所有 feature_column 定义后，必须统一喂给 tf.keras.layers.DenseFeatures，且该层输入的 dict 必须键名完全匹配特征列名；键名大小写、下划线、空格差一点，就会静默丢失特征——不会报错，但模型看到的是全零张量。
立即学习“Python免费学习笔记（深入）”；
