为何Keras Input与常规张量表现不同？附报错解析

我在Keras中构建了Embedding层和GRU层：

embedding_layer = tf.keras.layers.Embedding(5000, 256, mask_zero=True)
gru_layer = tf.keras.layers.GRU(256, return_sequences=True, recurrent_initializer='glorot_uniform')

当使用numpy数组输入时：

A1 = np.random.random((64, 29))
A2 = embedding_layer(A1)
A3 = gru_layer(A2)
print(A1.shape, A2.shape, A3.shape)

运行正常，输出形状为(64, 29) (64, 29, 256) (64, 29, 256)。

但使用Keras Input输入时：

y2 = tf.keras.Input(shape=(64,29))
print(y2.shape)
y3 = embedding_layer(y2)
print(y3.shape)
y4 = gru_layer(y3)
print(y4.shape)

前两步输出形状为(None, 64, 29)和(None, 64, 29, 256)，但后续调用GRU层时出现维度不匹配的ValueError：

ValueError: Input 0 of layer "gru_17" is incompatible with the layer: expected ndim=3, found ndim=4. Full shape received: (None, 64, 29, 256)

疑问：为何Keras Input与常规张量表现不同导致报错？且张量形状为何显示为(None, 64, 29)而非(64, 29)？

1. 维度不匹配报错的原因 #

Keras的Input层的shape参数定义的是单个样本的形状，而非整个批次的形状：

• 用numpy数组(64,29)输入时，64是批次大小，29是单个样本的序列长度。Embedding层会把每个样本的每个元素映射为256维向量，输出形状为(64,29,256)，符合GRU层要求的3维输入格式(batch_size, sequence_length, feature_dim)。
• 而你定义Input(shape=(64,29))时，是将单个样本的形状设为(64,29)，此时输入张量的完整形状是(None,64,29)（None代表批次大小可变）。Embedding层会对这个4维张量的最后一维做嵌入，输出变成(None,64,29,256)，属于4维张量，而GRU层仅接受3维输入，因此报错。

解决方法：将Input的shape改为单个样本的序列长度，即shape=(29,)，修正后代码如下：

y2 = tf.keras.Input(shape=(29,))
print(y2.shape)  # 输出 (None, 29)
y3 = embedding_layer(y2)
print(y3.shape)  # 输出 (None, 29, 256)
y4 = gru_layer(y3)
print(y4.shape)  # 输出 (None, 29, 256)

2. 张量形状显示为(None,64,29)的原因 #

Input层的shape参数不包含批次维度，Keras会自动在最前面添加一个可变的批次维度（用None表示），代表模型可以接受任意大小的批次输入。而直接用numpy数组输入时，numpy数组已经包含了具体的批次维度（64），所以输出形状会直接显示该数值。

简单来说：Input层定义的是样本维度，批次维度由Keras自动补充为可变的None；numpy数组是直接传入包含批次的完整张量，因此形状显示具体的批次数值。

内容的提问来源于stack exchange，提问作者mhsnk