神经网络实现整数加减时predict传列表报错的原因及解决方法

错误原因 #

1. 输入格式不匹配：Keras模型的predict方法要求输入必须包含批次维度，你直接传入[X,Y]是一维列表，模型无法识别这种无批次维度的输入结构，因此抛出类型错误。
2. 原代码还有两个隐藏问题：
   • 训练减法模型时误写为model_add.fit，导致model_subtract根本没被训练，就算输入格式正确也会输出错误结果。
   • 减法模型的输出用了relu激活函数，减法结果可能为负数，而relu会把所有负数置为0，完全丢失负数结果的信息。

解决办法 #

• 给输入添加批次维度：把[X,Y]改成[[X,Y]]，转换成二维数组（代表1个样本的批次），让模型能正确解析输入。
• 修正训练代码的笔误：把训练减法模型的model_add.fit改成model_subtract.fit。
• 替换减法模型的输出激活函数：将Dense(1, activation='relu')改成Dense(1, activation='linear')，保证负数结果能正常输出。

修正后的完整代码 #

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
import numpy as np

# 示例训练数据（可根据实际需求替换）
X_train = np.random.randint(0, 100, (1000, 2))
y_train_add = X_train[:, 0] + X_train[:, 1]
y_train_sub = X_train[:, 0] - X_train[:, 1]

model_add = Sequential(
    [
        Dense(10, activation='relu'),
        Dense(1, activation='relu')
    ]
)

model_subtract = Sequential(
    [
        Dense(10, activation='relu'),
        Dense(1, activation='linear')  # 替换为线性激活，支持负数输出
    ]
)

# 训练加法模型
model_add.compile(loss='mse', optimizer='adam')
batch_size = 32
epochs = 100
model_add.fit(X_train, y_train_add, batch_size=batch_size, epochs=epochs, verbose=0)

# 训练减法模型（修正笔误）
model_subtract.compile(loss='mse', optimizer='adam')
model_subtract.fit(X_train, y_train_sub, batch_size=batch_size, epochs=epochs, verbose=0)

print("enter first num:")
x = input()

print("Enter operation:")
op = input()

print("enter second num:")
y = input()

X = int(x)
Y = int(y)

if op == "+":
    predicted_sum = model_add.predict([[X, Y]], verbose=0)  # 添加批次维度
    print(f"预测结果：{predicted_sum[0][0]:.0f}")
elif op == "-":
    predicted_sub = model_subtract.predict([[X, Y]], verbose=0)  # 添加批次维度
    print(f"预测结果：{predicted_sub[0][0]:.0f}")

内容的提问来源于stack exchange，提问作者harry