TensorFlow回归模型训练触发ValueError的原因排查

问题场景 #

按照教程构建简单TensorFlow回归模型，编译步骤完全一致，使用两个长度相同的numpy数组作为输入数据，但训练时触发ValueError。

代码示例 #

import tensorflow as tf
import numpy as np

X = tf.constant(np.array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10]))
y = tf.constant(np.array([1, 4, 7, 10, 13, 16, 19, 22, 25, 28, 31]))

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=10)

核心报错信息 #

ValueError: Exception encountered when calling layer "sequential_24" (type Sequential).

Input 0 of layer "dense_25" is incompatible with the layer: expected min_ndim=2, found ndim=1. Full shape received: (None,)

Call arguments received by layer "sequential_24" (type Sequential):
  • inputs=tf.Tensor(shape=(None,), dtype=int64)
  • training=True
  • mask=None

原因分析 #

TensorFlow的Dense层要求输入张量的维度至少为2（即形状为(样本数, 特征数)）。当前输入的X是1维张量（形状(11,)），在fit时TensorFlow会自动添加batch维度，变为(None,)（None表示batch大小可变），但仍然是1维，不符合Dense层的输入要求。

解决方法 #

有两种常见的修正方式：

方式1：给输入数据增加维度 #

通过np.expand_dims、tf.expand_dims或reshape为输入数据添加特征维度，将形状从(11,)改为(11, 1)：

# 方法1：使用np.expand_dims
X = tf.constant(np.expand_dims(np.array([0,1,...10]), axis=1))

# 方法2：使用tf.expand_dims
X = tf.expand_dims(tf.constant(np.array([0,1,...10])), axis=1)

# 方法3：使用reshape
X = tf.constant(np.array([0,1,...10])).reshape(-1, 1)

方式2：在模型中添加Reshape层 #

在Dense层之前加入Reshape层，显式将输入转换为2维：

model = tf.keras.Sequential([
    tf.keras.layers.Reshape((1,), input_shape=(1,)),
    tf.keras.layers.Dense(1)
])

修改后完整示例 #

以方式1为例，修改后的代码：

import tensorflow as tf
import numpy as np

X = tf.constant(np.array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10]).reshape(-1, 1))
y = tf.constant(np.array([1, 4, 7, 10, 13, 16, 19, 22, 25, 28, 31]))

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=10)

内容的提问来源于stack exchange，提问作者mcm66103