神经网络输入形状不匹配：加法模型推理报错解析

你的报错核心原因是Keras模型要求输入必须包含批量维度，哪怕是单个样本也不例外，具体拆解如下：

1. 模型输入维度的规则 #

Keras中，无论是训练还是推理，模型的输入都需要遵循「批量维度在前」的格式：

• 输入形状为 (batch_size, feature_dim)，其中batch_size是样本数量（可以是None表示任意大小），feature_dim是单个样本的特征数。

2. 加法模型的输入要求 #

你的加法模型在训练时使用的X_train形状是(1000, 2)，对应1000个样本（批量维度），每个样本有2个特征。Keras会根据训练数据自动推断模型的输入规格为(None, 2)——即接受任意批量大小，每个样本必须有2个特征的二维输入。

而你推理时传入的np.array([3,4])是一维数组，形状为(2,)，没有批量维度，模型无法识别这是「1个包含2个特征的样本」，因此报错提示「预期形状(None, 2)，但输入形状是(2,)」。

3. 平方模型为何可以用(1,)输入？ #

你的平方模型在第一层显式指定了input_shape=(1,)，这会让Keras自动为输入添加批量维度，即模型实际期望的输入形状是(None, 1)。当你传入np.array([3])（形状(1,)）时，Keras会自动将其扩展为(1, 1)（1个样本，每个样本1个特征），因此可以正常运行。不过严格来说，为了保持一致性，最好也传入二维数组np.array([[3]])。

4. 修复后的代码 #

将加法模型的输入改为二维数组即可解决问题，修改后的推理代码如下：

import tensorflow as tf
import numpy as np

model_add = tf.keras.models.load_model('model_add.keras')
model_sqr = tf.keras.models.load_model('model_sqr.keras')

# 为加法模型输入添加批量维度，形状变为(1,2)
add_result = model_add.predict(np.array([[3, 4]]))
# 平方模型的输入也统一改为二维格式，更规范
predicted_product = model_sqr.predict(add_result) - model_sqr.predict(np.array([[3]])) - model_sqr.predict(np.array([[4]]))
print(predicted_product/2)

你也可以用np.expand_dims来手动添加批量维度，效果相同：

add_input = np.expand_dims(np.array([3,4]), axis=0) # 形状从(2,)变为(1,2)
add_result = model_add.predict(add_input)

内容的提问来源于stack exchange，提问作者harry