TensorFlow函数式API：如何为给定神经网络提供正确形状的输入示例

你的模型包含两个输入分支inputA和inputB，每个输入的单个样本形状为(240, 1)，因此在调用model.fit()时，需要传入两组形状为(batch_size, 240, 1)的输入数据，其中batch_size是你指定的批量大小（如32、64等）。

具体代码示例 #

import numpy as np
import tensorflow as tf
from tensorflow.keras.layers import Input, LSTM, Concatenate, Dense

# 定义你提供的模型
inputA = Input(shape=(240, 1))
inputB = Input(shape=(240, 1))

layerA1 = LSTM(60, return_sequences=True)(inputA)
layerB1 = LSTM(60, return_sequences=True)(inputB)

layerA2 = LSTM(60, return_sequences=True)(layerA1)
layerB2 = LSTM(60, return_sequences=True)(layerB1)

layerA3 = LSTM(60, return_sequences=False)(layerA2)
layerB3 = LSTM(60, return_sequences=False)(layerB2)

x = Concatenate()([layerA3, layerB3])
output = Dense(5, activation='linear', name='dense')(x)
model = tf.keras.Model([inputA, inputB], output)

# 生成符合要求的输入数据
batch_size = 32
# inputA的批量数据：形状 (32, 240, 1)
x_a = np.random.rand(batch_size, 240, 1)
# inputB的批量数据：形状 (32, 240, 1)
x_b = np.random.rand(batch_size, 240, 1)
# 对应的标签数据：形状 (32, 5)，匹配输出层Dense(5)
y_labels = np.random.rand(batch_size, 5)

# 编译并训练模型
model.compile(optimizer='adam', loss='mean_squared_error')
model.fit([x_a, x_b], y_labels, epochs=5, batch_size=batch_size)

关键说明 #

• 每个输入的第一维是批量大小，由你根据硬件性能和训练需求自定义；
• 输入必须以列表形式传入model.fit()，顺序要和模型定义的[inputA, inputB]一致；
• 标签数据的形状需匹配输出层Dense(5)，即每个样本对应5个数值，批量形状为(batch_size, 5)。

内容的提问来源于stack exchange，提问作者BAR