为何Keras中input_shape用列表可行、带None的元组训练失败？

我尝试用TensorFlow构建一个学习方程y = 2x - 1的入门神经网络，训练数据如下：

xs = [0,1,2,3,4,5]
ys = [-1,1,3,5,7,9]

xs = np.array(xs, dtype=float)
ys = np.array(ys, dtype=float)

我构建了三个仅input_shape不同的模型：
Model 1运行正常：

model1 = keras.models.Sequential()
model1.add(keras.layers.Dense(units=1, input_shape=[1]))
model1.compile(optimizer='sgd', loss='mean_squared_error')

Model 2同样运行正常：

model2 = keras.models.Sequential()
model2.add(keras.layers.Dense(units=1, input_shape=(1,)))
model2.compile(optimizer='sgd', loss='mean_squared_error')

Model 3在model.fit()时失败：

model3 = keras.models.Sequential()
model3.add(keras.layers.Dense(units=1, input_shape=(None,1,)))
model3.compile(optimizer='sgd', loss='mean_squared_error')

报错信息如下：

ValueError: in user code:

    File "/usr/local/lib/python3.10/dist-packages/keras/engine/training.py", line 1284, in train_function  *
        return step_function(self, iterator)
    File "/usr/local/lib/python3.10/dist-packages/keras/engine/training.py", line 1268, in step_function  **
        outputs = model.distribute_strategy.run(run_step, args=(data,))
    File "/usr/local/lib/python3.10/dist-packages/keras/engine/training.py", line 1249, in run_step  **
        outputs = model.train_step(data)
    File "/usr/local/lib/python3.10/dist-packages/keras/engine/training.py", line 1050, in train_step
        y_pred = self(x, training=True)
    File "/usr/local/lib/python3.10/dist-packages/keras/utils/traceback_utils.py", line 70, in error_handler
        raise e.with_traceback(filtered_tb) from None
    File "/usr/local/lib/python3.10/dist-packages/keras/engine/input_spec.py", line 253, in assert_input_compatibility
        raise ValueError(

    ValueError: Exception encountered when calling layer 'sequential_13' (type Sequential).
    
    Input 0 of layer "dense_13" is incompatible with the layer: expected min_ndim=2, found ndim=1. Full shape received: (None,)
    
    Call arguments received by layer 'sequential_13' (type Sequential):
      • inputs=tf.Tensor(shape=(None,), dtype=float32)
      • training=True
      • mask=None

训练和预测的通用代码为：

model.fit(xs, ys, epochs=20)
model.predict([10.0])

请问为何model1未使用元组仍能正常工作，而model3指定了可选batch_size为None却训练失败？

一、Model1用列表input_shape=[1]正常工作的原因 #

Keras对input_shape参数做了语法兼容设计，同时支持列表和元组格式，内部会自动将列表转换为元组处理。input_shape=[1]和input_shape=(1,)的语义完全一致：都表示单个输入样本的特征维度为1（注意：input_shape从不包含批量batch维度，batch维度由Keras在训练/预测时自动添加）。

你的输入数据xs是形状为(6,)的一维数组，Keras在训练时会自动将其扩展为(6,1)的二维张量，刚好匹配模型对输入的要求，因此Model1可以正常运行。

二、Model3用input_shape=(None,1,)训练失败的原因 #

这里的核心错误是对input_shape的定义逻辑理解有误：input_shape仅描述单个样本的特征结构，不能包含代表批量大小的None。

你设置的input_shape=(None,1,)表示：每个输入样本是一个可变长度的二维序列（形状为(任意长度, 1)），这意味着模型期望接收的输入是三维张量（批量大小 × 序列长度 × 特征数）。

但你的训练数据xs是一维数组，传入模型时的形状为(None,)（仅包含批量维度，每个样本是标量），维度只有1，远低于模型要求的最低维度（2维，对应单个样本的形状），因此触发了维度不兼容的报错。

需要明确：Keras会自动处理批量维度的变化，你完全不需要手动在input_shape中指定None，只需要定义单个样本的特征形状即可。

内容的提问来源于stack exchange，提问作者Ujjwal Vaish