DL4J输入尺寸错误：秩1向量无法匹配网络矩阵输入需求

DeepLearning4J里的全连接层（DenseLayer）默认要求输入是秩2的矩阵，也就是形状为[批量大小, 特征数量]的张量——这是因为DL4J的设计天生面向批量数据处理，哪怕你只输入单个样本，也得把它包装成批量形式（批量大小设为1）。

你传入的是秩1的向量（形状[23]），完全不符合层的输入要求，所以才抛出了DL4JInvalidInputException这个异常。

方案1：调用evaluate时手动转换输入维度 #

直接修改你的evaluate方法，把输入的秩1向量转成秩2的矩阵（批量大小为1），用INDArray的reshape方法就能实现：

public INDArray evaluate(INDArray vec){
    // 将秩1向量转为[1, 23]的秩2矩阵
    INDArray batchedInput = vec.reshape(1, this.inputSize);
    return this.network.output(batchedInput);
}

或者用expandDims方法更直观：

INDArray batchedInput = vec.expandDims(0); // 在第0维添加一个维度，形状从[23]变为[1,23]

方案2：给网络加输入预处理器自动转换 #

在你的网络配置里，给第一个层添加ReshapePreProcessor，让它自动把秩1输入转换成秩2矩阵：

private MultiLayerConfiguration setConfig(){
    return new NeuralNetConfiguration.Builder()
            .seed(12345)
            .weightInit(WeightInit.XAVIER)
            .updater(new AdaGrad(0.5))
            .activation(Activation.RELU)
            .optimizationAlgo(OptimizationAlgorithm.STOCHASTIC_GRADIENT_DESCENT)
            .l2(0.0001)
            .list()
            // 添加输入预处理器，自动将秩1输入转为[1, inputSize]的矩阵
            .inputPreProcessor(0, new ReshapePreProcessor(1, this.inputSize))
            .layer(0, new DenseLayer.Builder()
                    .nIn(this.inputSize)
                    .nOut(250)
                    .weightInit(WeightInit.XAVIER)
                    .activation(Activation.RELU)
                    .build())
            .layer(1, new OutputLayer.Builder()
                    .nIn(250)
                    .nOut(this.outputSize)
                    .weightInit(WeightInit.XAVIER)
                    .activation(Activation.SOFTMAX)
                    .lossFunction(LossFunctions.LossFunction.NEGATIVELOGLIKELIHOOD)
                    .build())
            .build();
}

改完之后，你原来的evaluate方法不用动，传入秩1向量时预处理器会自动完成维度转换。

从DQN的常规应用场景来看，你当前输出层用SOFTMAX激活和NEGATIVELOGLIKELIHOOD损失函数可能不太合适——DQN一般用LINEAR（恒等）激活输出Q值，搭配MSE（均方误差）损失函数。如果你的场景是离散动作空间的Q值预测，可以调整输出层配置：

.layer(1, new OutputLayer.Builder()
        .nIn(250)
        .nOut(this.outputSize)
        .weightInit(WeightInit.XAVIER)
        .activation(Activation.IDENTITY) // 线性激活
        .lossFunction(LossFunctions.LossFunction.MSE) // 均方误差损失
        .build())

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