使用from_tensor_slices喂数据报错：Dense层输入维度不匹配

原因 #

直接把train_set和labels传给model.fit时，TensorFlow会自动将形状为(60,3)的train_set视为批量数据，每个批量的输入维度是(batch_size, 3)，刚好匹配Dense层要求的至少2维输入（批量维度+特征维度）。

而用tf.data.Dataset.from_tensor_slices构建的数据集，每个元素是单个样本：特征是形状(3,)的一维数组，标签是单个数值。当model.fit处理这个数据集时，会直接把单个样本的特征输入模型，此时输入维度是(3,)，不符合Dense层min_ndim=2的要求，因此报错。

解决方法 #

有两种简单的修改方式：

方式1：给数据集添加批量维度 #

在构建数据集后调用batch()方法，让每个批次包含多个样本，这样输入到模型的就是带批量维度的数组：

dataset = tf.data.Dataset.from_tensor_slices((train_set, labels)).batch(32)  # 32为批量大小，可按需调整
model.fit(dataset)

方式2：明确模型输入层的形状 #

如果需要处理单个样本（比如后续单样本预测场景），可以在模型的第一层指定input_shape=(3,)，让模型接受一维特征输入：

model = tf.keras.Sequential([
    tf.keras.layers.Dense(10, activation='relu', input_shape=(3,)),
    # 其他网络层...
])
model.fit(dataset)

两种方法都能解决输入维度不匹配的问题，推荐第一种，因为批量训练是更常见的场景，训练效率也更高。

内容的提问来源于stack exchange，提问作者user3486991