Keras拼接3个并行密集层时出现样本数不一致报错的问题求助

看起来你在构建多输入并行模型做分类时踩了数据维度匹配的坑，我来帮你捋清楚问题出在哪，以及怎么解决～

问题分析 #

你的需求很明确：处理形状为[10000, 3]的特征矩阵，把每一列作为独立输入，各自经过Dense层后拼接，最终输出12类的分类结果。但报错ValueError: Found input variables with inconsistent numbers of samples: [3, 10000]，核心原因有两个：

• 特征拆分方式错误：你用np.array_split(features.transpose(), num_features)处理数据，原特征是(10000,3)，转置后变成(3,10000)，按轴0拆分后得到3个(1,10000)的数组——这相当于把10000个样本变成了3个“样本”，和labels的10000个样本完全不匹配。
• Concatenate层调用错误：Concatenate(hidden_layers)的写法不对，Keras的层需要先实例化再调用，应该是Concatenate()(hidden_layers)。

修正后的完整代码 #

import numpy as np
from tensorflow.keras.layers import Input, Dense, Concatenate
from tensorflow.keras.models import Model
from tensorflow.keras.wrappers.scikit_learn import KerasClassifier

num_features = 3
num_outputs = 12

def create_model():
    # 每个输入对应1个特征，形状(1,)
    inputs = [Input(shape=(1,)) for i in range(num_features)]
    # 每个输入对应一个Dense隐藏层
    hidden_layers = [Dense(8, activation='relu')(input_layer) for input_layer in inputs]
    # 正确调用Concatenate层：先实例化，再传入输入列表
    concatenated = Concatenate()(hidden_layers)
    # 输出层：多分类用softmax
    output = Dense(num_outputs, activation='softmax')(concatenated)
    # 创建模型
    model = Model(inputs=inputs, outputs=output)
    model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])
    return model

# 假设features是形状(10000,3)的特征矩阵，labels是对应标签
# 正确拆分特征：按列拆分，每个输入形状为(10000,1)
split_features = [features[:, i:i+1] for i in range(num_features)]

# 创建KerasClassifier并训练
keras_classifier = KerasClassifier(model=create_model, verbose=0)
keras_classifier.fit(split_features, labels, verbose=0)

关键修正点说明 #

1. 特征拆分：用features[:, i:i+1]按列提取特征，得到的每个数组形状是(10000,1)，刚好对应模型每个输入层的要求——10000个样本，每个样本1个特征，和labels的样本数完全匹配。
2. Concatenate层：Concatenate()先创建层实例，再传入hidden_layers列表，这样才能正确把三个(10000,8)的张量拼接成(10000,24)的张量，供后续输出层使用。

备注：内容来源于stack exchange，提问作者Nikki Mino