TensorFlow2.17运行《Python深度学习》示例10.2.3报InvalidArgumentError

问题背景 #

运行François Chollet所著《Python深度学习》示例10.2.3时，使用TensorFlow 2.17执行history = model.fit(...)会触发InvalidArgumentError，但降级到2.15版本则正常运行。报错核心信息为：

Only one input size may be -1, not both 0 and 1

错误出现在Flatten层的Reshape操作节点中。

版本变更原因 #

TensorFlow 2.16到2.17版本间，Keras的Flatten层及底层Reshape操作对动态形状的校验逻辑做了严格升级：

• 在2.15及更早版本中，Flatten层可以兼容输入中存在的未知维度（比如数据集的batch维度为动态值，或sequence_length未明确为固定整数），自动推导扁平化后的形状。
• 2.17版本中，Reshape操作要求仅能有一个维度用-1（自动计算），如果输入形状中同时存在未确定的维度（标记为0）和-1，就会触发上述参数冲突错误。示例中Input的sequence_length若为动态值，或数据集输出的batch维度未固定，就会触发这个校验。

针对TensorFlow 2.17及以上版本的修改方案 #

方案1：显式指定扁平化后的维度（推荐） #

不再依赖Flatten层自动推导，手动计算扁平化后的特征数，用Reshape层明确指定目标形状：

from tensorflow import keras
from tensorflow.keras import layers

# 提前计算扁平化后的总特征数
flattened_features = sequence_length * raw_data.shape[-1]
inputs = keras.Input(shape=(sequence_length, raw_data.shape[-1]))
# 用Reshape替代Flatten，明确形状
x = layers.Reshape((flattened_features,))(inputs)
x = layers.Dense(16, activation='relu')(x)
outputs = layers.Dense(1)(x)

model = keras.Model(inputs, outputs)
callbacks = [
    keras.callbacks.ModelCheckpoint('jena_dense.keras', save_best_only=True)
]
model.compile(optimizer='rmsprop', loss='mse', metrics=['mae'])

history = model.fit(
    train_dataset, epochs=10, validation_data=val_dataset, callbacks=callbacks)

model = keras.models.load_model('jena_dense.keras')
print(f"Test MAE: {model.evaluate(test_dataset)[1]:.2f}")

方案2：固定输入形状的所有维度 #

确保sequence_length是明确的整数类型，避免输入形状中存在未知维度：

from tensorflow import keras
from tensorflow.keras import layers

# 强制将sequence_length转为固定整数
sequence_length = int(sequence_length)
inputs = keras.Input(shape=(sequence_length, raw_data.shape[-1]))
x = layers.Flatten()(inputs)
x = layers.Dense(16, activation='relu')(x)
outputs = layers.Dense(1)(x)

# 后续编译、训练代码保持不变

内容的提问来源于stack exchange，提问作者Mike M. Lin