调用Keras model.predict()时“输入形状不兼容”错误的解决方法

错误根源 #

你的模型定义时，输入层要求每个样本是48维向量，Keras模型默认接收批量输入，即输入形状为(batch_size, 48)（None代表任意批量大小）。你当前的输入要么是单个标量（如np.array([48])，形状(1,)），要么是单个48维向量但缺少批量维度（如tf.ones((48,))，形状(48,)），导致形状不匹配。

具体解决方案 #

1. 输入单个48维样本 #

确保输入是48个元素的向量，然后增加批量维度（让形状变为(1, 48)），有几种实现方式：

• 使用NumPy：

  # 先创建48维的输入向量（示例用全1向量，实际替换为你的数据）
  test_input = np.ones((48,))
  # 增加批量维度
  test_input_batch = test_input[np.newaxis, :]
  # 执行预测
  result = model1.predict(test_input_batch)[0]
  

• 使用TensorFlow：

  test_input = tf.ones((48,))
  test_input_batch = tf.expand_dims(test_input, axis=0)
  result = model1(test_input_batch)[0]
  

2. 输入多个48维样本 #

直接构造形状为(batch_size, 48)的输入，比如批量大小为5：

# 生成5个48维样本
batch_input = np.random.rand(5, 48)
# 执行预测，输出形状为(5,4)
results = model1.predict(batch_input)

注意事项 #

• 不要用np.array([48])作为输入：这是仅含单个元素的数组，形状(1,)，完全不符合模型要求的48维输入。你需要的是包含48个数值的向量，比如np.array([1,2,...,48])（48个元素）。
• 输入数据类型要匹配：模型默认接收float32类型，如果你的输入是int32，可以通过test_input = test_input.astype(np.float32)转换。

内容的提问来源于stack exchange，提问作者Tiziano GIANNELLI