TensorFlow JS：如何用维度不同的X和y训练模型并预测价格

你的核心问题是匹配模型的输入形状要求：模型定义时的inputShape是[7,2]（对应单条样本的序列长度+特征数），而预测时需要给模型传入带批量维度的输入（即使只有一条样本）。

现有代码的问题 #

你当前的输入处理逻辑有误：

• const input = tf.tensor(firstSequence)得到的是形状[7,2]的张量，但模型期望的输入格式是[批量数, 7, 2]
• tf.expandDims(input, 1)会把形状变成[7,1,2]，完全不符合模型的输入要求，导致预测结果错误

修正后的输入构造逻辑 #

只需要给firstSequence添加第0维度（批量维度），让输入形状变成[1,7,2]，就能和模型的输入要求匹配：

async function trainAndPredict(priceData, volumeData) {
  const sequenceLength = 7; 
  
  const { values:normalizedPrices, min:minPrice, max:maxPrice } = normalizeData(priceData.map(p => p[1]));
  const { values:normalizedVolumes, min:minVolume, max:maxVolume } = normalizeData(volumeData.map(v => v[1])); 
  
  const sequences = createSequences(normalizedPrices, normalizedVolumes, sequenceLength); 
  const firstSequence = sequences.shift();  
  
  normalizedPrices.splice(-(sequenceLength + 1));  

  const X = tf.tensor(sequences); 
  const y = tf.tensor(normalizedPrices); 
  console.log("y.shape: "+ y.shape);

  const model = tf.sequential(); 
  model.add(tf.layers.flatten( { inputShape: [X.shape[1], X.shape[2]] } )); 
  console.log("A2");
  model.add(tf.layers.dense({ units: 1 })); 

  model.compile({ optimizer: 'adam', loss: 'meanSquaredError' });

  await model.fit(X, y, { epochs: 100 });

  // --- 修正的部分开始 ---
  // 给firstSequence添加批量维度，形状变为[1,7,2]
  const input = tf.tensor(firstSequence).expandDims(0); 
  // 此时predict返回形状[1,1]的张量
  const normalizedPredictedPrice = model.predict(input);
  // 先把张量转为标量再反归一化
  const predictedPrice = denormalizeValue(normalizedPredictedPrice.squeeze(), minPrice, maxPrice);
  // --- 修正的部分结束 ---

  return predictedPrice.dataSync()[0];  
}

关键说明 #

1. expandDims(0)：给单条样本添加批量维度，让输入形状从[7,2]变成[1,7,2]，完全匹配模型的输入要求
2. squeeze()：把模型预测返回的[1,1]张量压缩成标量，确保denormalizeValue能正确处理（如果你的denormalizeValue已经支持张量输入，这一步可以省略）

内容的提问来源于stack exchange，提问作者mtyson