使用keras3复现《Deep Learning with R》示例遇Reshape错误求助

错误根源 #

你遇到的INVALID_ARGUMENT: Only one input size may be -1, not both 0 and 1错误，核心问题在于归一化参数的结构错误：
使用keras3::zip_lists生成的normalization_values没有保留列名索引，导致后续归一化时无法正确获取每个特征的均值和标准差，最终输入数据被处理成全NaN的无效值。TensorFlow在处理这类无效数据时，内部reshape操作触发了维度错误。

另外需要确保你的数据集是完整的（jena_climate_2009_2016.csv总行数应为420551），否则训练/验证/测试集行数可能小于delay值，导致生成空序列数据集，也会触发类似错误。

修复步骤 #

1. 修正归一化参数的生成方式 #

用purrr::transpose替代zip_lists，确保normalization_values可以通过列名正确索引均值和标准差：

library(purrr)  # 需要先加载purrr包

normalization_values <-
  transpose(list(mean = lapply(train_df[input_data_colnames], mean),
                 sd = lapply(train_df[input_data_colnames], sd)))

2. 验证数据集完整性 #

在代码开头添加一行检查，确认数据集行数符合预期：

full_df <- readr::read_csv("jena_climate_2009_2016.csv")
cat("数据集总行数：", nrow(full_df), "\n")  # 应输出420551

如果行数不符，重新下载完整数据集。

3. 可选：添加序列有效性检查 #

在df_to_inputs_and_targets函数中添加检查，避免生成空序列：

df_to_inputs_and_targets <- function(df) {
  inputs <- df[input_data_colnames] %>%
    normalize_input_data() %>%
    as.matrix()

  targets <- as.array(df$`T (degC)`)
  
  # 检查数据集行数是否足够生成序列
  if(nrow(inputs) <= delay) {
    stop(sprintf("数据集仅%d行，小于所需的延迟值%d，无法生成有效序列", nrow(inputs), delay))
  }

  list(head(inputs, -delay), tail(targets, -delay))           
}

修改后的完整关键代码片段 #

library(keras3)
library(dplyr)
library(purrr)  # 新增加载purrr包

# Preparing the Data 
full_df <- readr::read_csv("jena_climate_2009_2016.csv")
cat("数据集总行数：", nrow(full_df), "\n")  # 验证数据集完整性

full_df$`Date Time` %<>%                      
  as.POSIXct(tz = "Etc/GMT+1", format = "%d.%m.%Y %H:%M:%S")

num_train_samples <- round(nrow(full_df) * 0.5)
num_val_samples <- round(nrow(full_df) * 0.25)
num_test_samples <- nrow(full_df) - num_train_samples - num_val_samples

train_df <- full_df[seq(num_train_samples), ]
val_df <- full_df[seq(from = nrow(train_df) + 1,
                  length.out = num_val_samples), ]
test_df <- full_df[seq(to = nrow(full_df),
                   length.out = num_test_samples), ]

## Normalize the data
input_data_colnames <- names(full_df) %>%
  setdiff(c("Date Time"))                                  

# 修正归一化参数生成方式
normalization_values <-
  transpose(list(mean = lapply(train_df[input_data_colnames], mean),
                 sd = lapply(train_df[input_data_colnames], sd)))
str(normalization_values)

normalize_input_data <- function(df) {
  normalize <- function(x, center, scale)
    (x - center) / scale

  for(col_nm in input_data_colnames) {
    col_nv <- normalization_values[[col_nm]]
    df[[col_nm]] %<>% normalize(., col_nv$mean, col_nv$sd)
  }
  df
}

## 后续代码保持不变...

内容的提问来源于stack exchange，提问作者Yang Yang