CNN+双MLP混合模型训练MatMul维度不匹配问题求助

问题本质 #

报错里的[256]是输入到dense_lum层的张量维度，[2901,1024]是该层的权重矩阵维度，说明两者特征维度完全不匹配——Dense层期望输入的最后一维特征数和权重的第一维一致，但当前输入是1维向量，权重第一维是2901，完全无法匹配。

具体排查步骤 #

• 检查lum特征的批处理逻辑
  从HDF5加载的lum特征如果单样本形状是(256,)，用tf.data加载时必须通过batch(batch_size)给数据加上批维度，让输入张量变成(batch_size, 256)。如果没加batch，模型会把每个样本的256维特征当成(256,)的张量输入Dense层，此时Dense层会错误地把256当成批大小，期望输入特征数是2901，直接触发维度不匹配。

• 核对lum_mlp的输入连接
  检查模型定义时，dense_lum所在的lum_mlp分支是不是接错了输入——比如误把CNN分支的输出（可能是2901维）接到了lum_mlp上，而不是原本的256维lum特征。这种情况下，Dense层会根据错误的输入维度初始化权重（2901×1024），但实际输入是256维，自然报错。

• 验证各分支输出形状
  在模型定义中，分别打印CNN、两个MLP分支的输出形状，确认每个分支的输出都是(batch_size, feature_dim)的2D张量：

  # 模型定义中加入打印代码
  cnn_out = cnn_branch(inputs_cnn)
  print("CNN分支输出形状:", cnn_out.shape)
  
  lum_out = lum_mlp_branch(inputs_lum)
  print("LUM-MLP分支输出形状:", lum_out.shape)
  
  other_out = other_mlp_branch(inputs_other)
  print("其他MLP分支输出形状:", other_out.shape)
  

  如果某分支输出是1D张量，说明维度缺失，需要修正数据加载或模型层的维度处理。

快速修复尝试 #

1. 立即检查tf.data数据集的构建代码，确保调用了dataset.batch(batch_size)，没有遗漏批处理步骤。
2. 重新梳理模型的输入连接，确认lum_mlp分支的输入确实是256维的lum特征，而非其他分支的输出。
3. 如果确认是输入维度缺失（比如输入是(256,)而非(batch_size,256)），可以在lum_mlp的输入层后添加Lambda层强制扩展维度：

   from tensorflow.keras.layers import Lambda
   # 假设lum_input是该分支的输入层
   corrected_input = Lambda(lambda x: tf.expand_dims(x, axis=0) if len(x.shape) == 1 else x)(lum_input)
   

内容的提问来源于stack exchange，提问作者Morgan