加载TensorFlow保存的CNN模型时出现输入维度不匹配ValueError

核心错误点 #

• 模型加载方式错误：你用joblib.load()加载TensorFlow的CNN模型，这是错误用法。joblib仅适用于scikit-learn类模型（如SVC），TensorFlow/Keras模型必须用load_model加载。
• 输入维度不匹配：Conv1D层要求输入为3D张量（样本数, 特征长度, 通道数），但你传入的TF-IDF输出是2D张量（样本数, 特征数），维度不符合要求。

具体修复步骤 #

1. 修正模型加载代码 #

替换错误的加载方式，改用Keras官方的模型加载方法：

from tensorflow.keras.models import load_model
# 替换为你的CNN模型实际路径，模型文件通常是.h5或保存的文件夹格式
cnn_model = load_model("path/model_cnn.h5")

2. 调整输入数据维度 #

将TF-IDF输出的2D数据扩展为3D，匹配Conv1D的输入要求：

import numpy as np
# 先把稀疏矩阵转为密集矩阵（Keras模型一般不直接支持稀疏输入）
test_data_dense = test_data.toarray()
# 在最后添加一个通道维度，shape从(None, 800)变为(None, 800, 1)
test_data_3d = np.expand_dims(test_data_dense, axis=-1)

3. 执行预测 #

用调整后的3D数据进行模型预测：

n = cnn_model.predict(test_data_3d)
print(n)

额外注意事项 #

• 确认模型保存方式正确：训练完成后，CNN模型需用model.save("path/model_cnn.h5")保存，而非joblib。
• 保持训练与预测的输入一致：如果训练时对TF-IDF数据做过维度扩展，预测阶段必须执行完全相同的操作。

内容的提问来源于stack exchange，提问作者Umer