TensorFlow数组/张量形状与数据操作报错求助（新手）

问题梳理 #

你作为TensorFlow新手，尝试用过去5天的3类特征（价格、市值、成交量）构建ANN预测下一天的比特币价格，但因输入输出形状不匹配、模型结构错误等问题导致形状报错。以下是具体问题分析和修复方案：

核心问题与修复步骤 #

1. 输入形状定义错误

   • 原代码input_shape = (3, 6)完全不符合实际数据逻辑：你用的是5天数据，每天3个特征，正确输入形状应为(5, 3)。

2. 标签赋值严重错误

   • 原代码answer = np.array(X_training)错误地把特征数据当成了预测标签，正确写法是answer = np.array(answer)，用获取到的下一天价格作为模型训练的标签。

3. 模型结构与激活函数错误

   • 价格预测是回归任务，sigmoid激活会把输出限制在0-1区间，完全不适合回归场景，应移除该激活函数，使用默认的线性激活；同时softmax层是分类任务专用的，回归任务不需要，直接删除。

4. 递归调用参数缺失

   • GetRandomThirtyDays函数里的递归调用return GetRandomThirtyDays()没有传入dataset参数，会导致报错，应改为return GetRandomThirtyDays(dataset)。

5. 冗余的日期检查逻辑

   • last_30_days_dates是从dates切片得到的子列表，所有日期必然存在于dates中，那层循环检查完全多余，直接删除即可。

修正后的完整代码 #

import tensorflow as tf
import numpy as np
from tqdm import tqdm
from datasets import load_dataset
from tensorflow.keras import layers
import random

# 加载数据集
dataset = load_dataset("csv", data_files="bitcoin_daily/data_btc.csv", split="train")

# 正确输入形状：5天数据，每天3个特征（价格、市值、成交量）
input_shape = (5, 3)

def GetRandomFiveDays(dataset):
    dates = dataset["date"]
    random_date = random.choice(dates)
    random_date_index = dates.index(random_date)
    
    # 获取当前日期前5天的索引（确保不越界）
    start_index = max(0, random_date_index - 5)
    # 取[start_index, random_date_index)的索引，确保刚好5天
    five_days_indices = list(range(start_index, random_date_index))
    
    # 确保有足够的历史数据（至少5天）
    if len(five_days_indices) < 5:
        return GetRandomFiveDays(dataset)
    
    return five_days_indices, random_date_index

def VerifyIndexExists(dataset, index):
    try:
        price = dataset["price"][index]
        return price if price is not None else False
    except:
        return False

def GetDailyFeatures(dataset, indices):
    features_list = []
    destroyed = False
    for index in indices:
        try:
            price = dataset["price"][index]
            market_cap = dataset["market_caps"][index]
            volume = dataset["total_volumes"][index]
            if None in [price, market_cap, volume]:
                destroyed = True
                break
            features_list.append([price, market_cap, volume])
        except:
            destroyed = True
    return features_list, destroyed

def GetFiveDayData(dataset):
    indices, answer_index = GetRandomFiveDays(dataset)
    five_day_features, destroyed = GetDailyFeatures(dataset, indices)
    prediction_answer = VerifyIndexExists(dataset, answer_index)
    
    # 递归获取有效数据
    if destroyed or not prediction_answer:
        return GetFiveDayData(dataset)
    return five_day_features, prediction_answer

# 构建回归专用模型
model = tf.keras.Sequential([
    layers.Input(shape=input_shape),
    layers.Flatten(),
    layers.Dense(64, activation='relu'),
    layers.Dense(32, activation='relu'),
    layers.Dense(1)  # 回归任务用线性激活，无需额外指定
])

# 回归任务仅用均方误差损失，accuracy是分类任务指标，无意义
model.compile(optimizer="adam", loss="mean_squared_error")

# 生成训练数据（20个样本太少，提升到200个）
X_training = []
answer = []
for _ in tqdm(range(200)):
    X, y = GetFiveDayData(dataset)
    X_training.append(X)
    answer.append(y)

# 转换为numpy数组，确保数据类型和形状匹配
X_training_np = np.array(X_training, dtype=np.float32)
answer_np = np.array(answer, dtype=np.float32).reshape(-1, 1)  # 标签形状调整为(样本数,1)，匹配模型输出

# 训练模型
model.fit(X_training_np, answer_np, epochs=50, batch_size=8, verbose=1)
# 评估模型
model.evaluate(X_training_np, answer_np, verbose=2)

额外说明 #

• 回归任务不需要accuracy指标，编译模型时移除该指标可避免无意义计算。
• 训练样本数量从20提升到200，过少的样本无法让模型学习到数据规律。
• 调整了模型隐藏层结构，增加32神经元层提升拟合能力，同时移除分类专用的softmax层。
• 强制转换数据类型为float32，避免TensorFlow自动类型转换引发的潜在问题。

内容的提问来源于stack exchange，提问作者Dylan Bates