如何解读Keras Sequential模型summary()的形状输出及输入适配问题

问题背景 #

我是Keras新手，编写了以下代码：

import tensorflow as tf
import keras

# model 1
model1 = keras.Sequential([
    keras.layers.Dense(3, "relu"),
    keras.layers.Dense(1)
], name="model1")


# model 2
model2 = keras.Sequential([
    keras.layers.Dense(3, "relu", input_shape=(3, 2)),
    keras.layers.Dense(1)
], name="model2")

model1是未初始化权重的Sequential模型，需输入数据来推断权重；而model2指定了input_shape=(3,2)，预期接收形状为(3,2)的数据。

执行以下代码后：

x1 = tf.ones((3, 2))
model1(x1) # 使model1推断权重

调用summary()方法时出现疑问：

• model2的输入形状为(None,3,2)，其中None代表batch size，可接收任意数量形状为(3,2)的样本，输出对应数量形状为(3,1)的结果，这点已理解。
• 但model1的输入形状显示为(3,2)，我不确定其batch size是1、3还是同样为None，对此存在困惑。

此外，运行以下测试代码时发现新问题：

# examples
x1 = tf.ones((3, 2))
x2 = tf.ones((3, 3, 2))

print(model1(x1)) #无问题
print(model1(x2)) #无问题
model1.summary()

print(model2(x1)) #报错！但model2指定了input_shape=(3,2)!!!!
print(model2(x2))
model2.summary()

为何会出现这种差异？

核心解析 #

1. model1输入形状显示(3,2)的本质 #

当你用x1 = tf.ones((3,2))喂给model1时，Keras会将该输入的非批量维度记录为样本形状，但这并不固定batch size：

• summary()里的(3,2)是第一次推断时识别的单个样本的形状，模型实际支持任意batch size，因此后续喂入x2 = tf.ones((3,3,2))（batch size=3，单样本形状(3,2)）也能正常运行。
• 你可以理解为model1的实际输入形状是(None,3,2)，只是summary()没有显式标出None，因为它是通过动态推断得到的形状。

2. model2报错的关键：input_shape的定义逻辑 #

input_shape=(3,2)的含义是单个样本的形状为(3,2)，因此模型预期的输入张量完整形状必须是(batch_size, 3, 2)：

• 你喂入的x1 = tf.ones((3,2))缺少batch维度，相当于把单样本形状当成了完整输入形状，与模型预期的(batch_size,3,2)不匹配，因此报错。
• x2 = tf.ones((3,3,2))的形状是(3,3,2)，其中第一个3是batch size，后两个维度是单样本形状，符合model2的要求，所以能正常运行。

3. 两个模型的本质差异 #

• model1：动态形状推断，第一次喂入数据时自动识别单样本维度，初始化权重后，只要输入的单样本维度匹配，不管batch size是多少都能处理（Keras会自动补全或识别batch维度）。
• model2：固定单样本形状，通过input_shape明确指定了单样本的维度，输入必须包含batch维度，否则会因维度不匹配报错。

修正示例 #

若要让model2处理x1，只需给输入增加batch维度：

print(model2(tf.expand_dims(x1, axis=0))) # 形状变为(1,3,2)，符合模型要求

内容的提问来源于stack exchange，提问作者qseb59