如何正确调用Model.fit训练输入为二元组的Keras回归模型？

问题根源 #

model.fit要求多输入数据的每个元素都带有批量维度，且形状与模型输入层定义完全匹配。你当前的输入元组中，第一个数组(128, 1152)缺少批量维度，第二个数组的维度结构也未对齐批量输入要求，导致索引越界错误。

正确调用方式 #

1. 给输入数据添加批量维度 #

即使是单样本数据，每个输入数组都需要扩展出批量维度（批量大小设为1）：

import numpy as np

# 假设你的输入元组是(arr1, arr2)
arr1 = np.random.rand(128, 1152)  # 原形状(128, 1152)
arr2 = np.random.rand(1, 256)     # 原形状(1, 256)

# 扩展批量维度，变为(1, 128, 1152)和(1, 1, 256)
arr1_batch = np.expand_dims(arr1, axis=0)
arr2_batch = np.expand_dims(arr2, axis=0)
input_batch = (arr1_batch, arr2_batch)

2. 调整标签的形状 #

单个float类型的标签需要转为批量形式（形状为(1,)）：

datapoint_y = 0.5  # 原float标签
y_batch = np.expand_dims(datapoint_y, axis=0)

3. 调用fit方法 #

使用处理后的批量数据调用fit：

model.fit(x=input_batch, y=y_batch)

验证模型输入层匹配 #

确保模型输入层的定义与输入数据形状一致，示例如下：

from tensorflow.keras import Input, Model
from tensorflow.keras.layers import Dense, Flatten, concatenate

# 定义输入层，形状对应去掉批量维度后的结构
input1 = Input(shape=(128, 1152))
input2 = Input(shape=(1, 256))

# 后续网络层处理
x1 = Flatten()(input1)
x2 = Flatten()(input2)
concat_layer = concatenate([x1, x2])
output = Dense(1)(concat_layer)

model = Model(inputs=[input1, input2], outputs=output)
model.compile(optimizer='adam', loss='mse')

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