创建Keras Sequential模型后调用predict()报错，求解决

问题根源 #

你的模型定义时，输入层要求每个样本是20维的（Input(shape=(20))），也就是输入张量必须是2维（形状为(样本数, 20)）。但预测时传入的test_data是1维张量（形状(None,)），和模型输入要求不匹配，导致维度兼容错误。

解决方法 #

1. 调整预测输入的维度 #

把1维的test_data转换成符合要求的2维结构，两种常用方式：

用numpy处理（如果test_data是numpy数组）

import numpy as np
# -1表示自动计算样本数量，确保最后一维是20
test_data = test_data.reshape(-1, 20)

用TensorFlow处理（如果test_data是tf张量）

import tensorflow as tf
# 在第1维（列维度）添加一个维度，把形状从(None,)变成(None,20)
test_data = tf.expand_dims(test_data, axis=1)

调整后再执行预测：

pred = loaded_model.predict(test_data)

2. 修正二分类模型的损失函数（优化建议） #

你目标是二分类，但训练时用了loss='mse'（均方误差），这不是二分类任务的最优损失。因为输出层用了sigmoid激活，应该改用binary_crossentropy（二元交叉熵），让模型训练更贴合任务需求：

model.compile(loss='binary_crossentropy', optimizer=optimizer, metrics=['accuracy'])

3. 修复训练代码的语法错误 #

原训练代码里有一行语法错误：

model.add(Dense(100, activation='relu')) function is used for the nuerons

要删掉后面多余的注释内容，改成：

model.add(Dense(100, activation='relu'))

验证提示 #

• 训练前检查test_data_x的形状：应该是(样本数量, 20)，可以用print(test_data_x.shape)确认
• 预测前检查调整后的test_data形状：必须是(预测样本数量, 20)

内容的提问来源于stack exchange，提问作者Timothy Sparks