TensorFlow函数式API模型无法训练，Sequential模型可正常运行

核心错误 #

你定义函数式API输入时，错误地将整个训练集的完整形状（包含样本数5761）传给了keras.Input的shape参数。Keras要求shape仅需指定单样本的特征形状，样本数量维度会由训练时的批次自动处理（默认用None占位）。

已知X_train.shape=(5761, 2, 1)，其中5761是总样本数，(2,1)才是单样本的特征形状。但你写了inputs = keras.Input(shape=X_train.shape)，导致模型期望输入形状为(None, 5761, 2, 1)，而实际训练时每个批次的形状是(16, 2, 1)，两者不匹配引发报错。

修正后的函数式API代码 #

将shape参数改为单样本的特征形状，即取X_train.shape中除样本数外的部分：

inputs = keras.Input(shape=X_train.shape[1:])  # 单样本形状为(2,1)
x = inputs
x = layers.Dense(64, activation="relu")(x)
x = layers.Dense(64, activation="relu")(x)
outputs = layers.Dense(1)(x)

model = keras.Model(inputs=inputs, outputs=outputs)

额外优化建议 #

• Sequential模型能正常运行，是因为它会在首次喂入数据时自动推断输入形状，无需显式指定。
• 你的任务是回归任务（使用MSE损失），函数式API编译时用metrics=['accuracy']不合适，建议和Sequential模型保持一致，使用MAE作为指标：

from tensorflow.keras.optimizers import Adam

adam = Adam(lr=0.001)
model.compile(optimizer=adam, loss='mse', metrics=['mae'])

内容的提问来源于stack exchange，提问作者LMol