TensorFlow预测报错：expected min_ndim=2, found ndim=1

问题核心 #

你的模型训练时接收的是二维输入（形状(3145, 11)，对应3145个样本，每个样本11个特征），但预测时传入的是一维数据（形状(11,)），不符合模型对输入维度的要求，因此报错。

解决方案 #

给待预测数据增加一个batch维度，将形状从(11,)转换为(1, 11)，让模型识别这是1个带11个特征的样本。

具体实现代码 #

以下几种方式都可以实现维度扩展：

1. 使用numpy.expand_dims：

import numpy as np
to_be_predicted = np.expand_dims(to_be_predicted, axis=0)
output = model.predict(x=to_be_predicted)

2. 使用Python索引语法快速扩展：

# 两种写法等价
to_be_predicted = to_be_predicted[np.newaxis, :]
# 或者
to_be_predicted = to_be_predicted[None, :]
output = model.predict(x=to_be_predicted)

3. 如果是TensorFlow张量，使用tf.expand_dims：

import tensorflow as tf
to_be_predicted = tf.expand_dims(to_be_predicted, axis=0)
output = model.predict(x=to_be_predicted)

补充说明 #

你之前添加model.add(tf.keras.layers.Input(shape=(11,)))的操作是正确的，这个层定义的是单个样本的特征形状，而模型实际接收的输入需要是(batch_size, 11)的二维张量——即使只有一个样本，也必须保留batch维度（即(1, 11)），否则模型会无法正确解析输入结构。

内容的提问来源于stack exchange，提问作者welchs