Keras模型输入维度错误：自定义DQN强化学习Agent调试求助

这个报错的核心原因很明确：Keras的模型（包括你定义的DQN）默认要求输入是二维数组，格式为(批量样本数, 特征数)，而你传入的是一个0维的标量数组。

为什么会这样？ #

你在DQN里设置了input_dim=self.state_size，假设你的state_size是1（因为你的状态是单个标量，比如10），模型确实是接受一维特征，但Keras的predict方法需要你把单个样本包装成“批量”的形式——哪怕这个批量里只有一个样本。你现在传入的np.array(10)形状是()（0维），哪怕改成np.array([10])，形状是(1,)（一维），也不符合模型期望的(1, 1)（二维）输入格式，所以才会报错说“expected dense_209_input to have 2 dimensions”。

具体解决方案 #

你只需要在传入模型之前，给状态数组增加一个批量维度，确保输入形状是(1, state_size)。有几种简单的实现方式：

方式1：在调用select_action时处理状态

修改你的main函数代码：

if __name__ == "__main__":
    agent_test = Agent(...)  # 确保这里传入的state_size=1
    state = 10
    # 把标量转换成二维数组：形状从()变成(1,1)
    state = np.array([[state]])
    print(agent_test.select_action(state))

方式2：在Agent的select_action方法里统一处理

这样不管外部传入的是标量还是一维数组，都能自动适配：

def select_action(self, state):
    # 先将状态转换为二维数组，reshape(1, -1)会自动匹配state_size
    state = np.array(state).reshape(1, -1)
    # 可以加上verbose=0关闭预测日志输出
    prediction_by_model = self.model.predict(state, verbose=0)
    # 其余代码省略...

额外提醒 #

训练模型的时候，也要保证输入数据的维度一致：比如你准备的训练数据，每个状态样本都应该是(state_size,)的一维数组，而批量输入则是(batch_size, state_size)的二维数组，这样训练和预测的输入格式就统一了，不会再出现维度问题。

内容的提问来源于stack exchange，提问作者maxwell_1992