Jupyter Notebook中调用model.summary()报Undefined shapes are not supported错误求助

核心原因 #

Keras 3.x中，Sequential模型如果无法自动推断各层的输入/输出形状，调用model.summary()就会触发该错误。Jupyter Notebook环境的默认配置和Colab存在差异，导致Colab能自动处理的形状推断在本地Notebook中失效。

具体解决方法 #

1. 显式指定模型输入形状 #

这是最直接的解决方案，在模型第一层明确input_shape参数，或者添加Input层作为起始层：

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Conv2D, Input

# 方式一：在第一层设置input_shape
model = Sequential([
    Conv2D(32, (3,3), activation='relu', input_shape=(28,28,1)),
    Dense(10, activation='softmax')
])

# 方式二：用Input层定义输入形状
model = Sequential([
    Input(shape=(28,28,1)),
    Conv2D(32, (3,3), activation='relu'),
    Dense(10, activation='softmax')
])
model.summary()  # 此时可正常执行

2. 修复动态形状层的形状推断 #

如果模型中包含Lambda、自定义层等无法自动推断输出形状的组件，需要显式指定output_shape：

from tensorflow.keras.layers import Lambda
import tensorflow as tf

model = Sequential([
    Input(shape=(28,28)),
    # 明确Lambda层的输出形状
    Lambda(lambda x: tf.expand_dims(x, axis=-1), output_shape=(28,28,1)),
    Conv2D(32, (3,3), activation='relu')
])

3. 手动触发形状推断 #

如果不想提前指定输入形状，可以先给模型喂入一个符合格式的dummy样本，让模型自动推断各层形状后再调用summary：

import numpy as np

model = Sequential([
    Conv2D(32, (3,3), activation='relu'),
    Dense(10, activation='softmax')
])

# 喂入一个批量为1的dummy输入
dummy_input = np.random.rand(1, 28, 28, 1)
model(dummy_input)

# 此时可正常生成summary
model.summary()

4. 环境兼容性调整 #

Python 3.12属于较新版本，TensorFlow 2.17对其的适配可能存在局部问题，可尝试：

• 降级Python到3.11版本，这是当前深度学习生态兼容性更好的版本
• 验证Jupyter Notebook的内核是否绑定了正确的虚拟环境（在Notebook中执行!python --version和!pip list确认版本匹配）

关于Colab训练慢的补充 #

Colab默认可能使用CPU运行，可通过以下步骤切换到加速硬件：

1. 点击顶部菜单栏的Runtime -> Change runtime type
2. 在Hardware accelerator下拉菜单中选择GPU或TPU，保存后重新运行代码

内容的提问来源于stack exchange，提问作者teikson tan