调用model.fit时Keras模型出现ValueError，求解决方法

问题复现 #

运行以下代码时调用model.fit()触发ValueError：

import numpy as np
import tensorflow as tf

X=np.array([-7.0,-4.0,-1.0,2.0,5.0,8.0,11.0,14.0])
y=np.array([3.0,6.0,9.0,12.0,15.0,18.0,21.0,24.0])
X=tf.cast(tf.constant(X), dtype=tf.float32)
y=tf.cast(tf.constant(y), dtype=tf.float32)

tf.random.set_seed(42)

model = tf.keras.Sequential([
tf.keras.layers.Dense(1)
])
model.compile(loss=tf.keras.losses.mae,
          optimizer=tf.keras.optimizers.SGD(),
          metrics=["mae"])
model.fit(X, y, epochs=5)

报错片段：

ValueError                                Traceback (most recent call last)
 in 
10               metrics=["mae"])
11 # 3. Fit the model
---> 12 model.fit(X, y, epochs=5)

1 frames
/usr/local/lib/python3.8/dist-packages/keras/engine/training.py in tf__train_function(iterator)
13                 try:
14                     do_return = True

问题原因 #

Keras的Dense层默认期望输入是二维张量，格式为(样本数量, 特征数量)。你的X是一维张量（形状为(8,)），无法满足Dense层的输入维度要求，导致训练时维度不匹配报错。

解决方法 #

给X增加一个维度，将其从一维转为二维，两种常用实现方式：

• 方式1：使用tf.expand_dims
  修改X的定义部分，在最后一个维度添加新轴：

  X = tf.expand_dims(tf.cast(tf.constant(X), dtype=tf.float32), axis=-1)
  

  或单独执行维度扩展：

  X = tf.expand_dims(X, axis=-1)
  

• 方式2：使用numpy.reshape
  通过reshape指定特征数为1，自动计算样本数量：

  X = tf.cast(tf.constant(X.reshape(-1, 1)), dtype=tf.float32)
  

修改后的完整可运行代码：

import numpy as np
import tensorflow as tf

X=np.array([-7.0,-4.0,-1.0,2.0,5.0,8.0,11.0,14.0])
y=np.array([3.0,6.0,9.0,12.0,15.0,18.0,21.0,24.0])
# 给X增加维度，转为(8,1)的二维张量
X=tf.expand_dims(tf.cast(tf.constant(X), dtype=tf.float32), axis=-1)
y=tf.cast(tf.constant(y), dtype=tf.float32)

tf.random.set_seed(42)

model = tf.keras.Sequential([
tf.keras.layers.Dense(1)
])
model.compile(loss=tf.keras.losses.mae,
          optimizer=tf.keras.optimizers.SGD(),
          metrics=["mae"])
model.fit(X, y, epochs=5)

修改后X的形状变为(8,1)，符合Dense层的输入要求，即可正常启动训练。

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