机器学习新手遇Sequential层输入形状不兼容错误求助

错误根源 #

你设置的input_shape参数有误：

• x_train.shape返回的是整个训练集的形状：(455, 30)，其中455是训练样本总数，30是单个样本的特征数。
• 但Keras中input_shape只需要定义单个样本的特征形状，模型会自动处理样本数量维度（用None表示可变数量）。你错误地把整个数据集的形状传给了input_shape，导致模型预期输入是(None, 455, 30)，但实际训练时每个样本是(30,)的一维特征，两者不匹配就抛出了报错。

修正步骤 #

1. 修正input_shape：改为(x_train.shape[1],)，直接取单个样本的特征数（也就是30）。
2. 清理冗余导入：你导入了Conv2D、MaxPooling2D等卷积层，但当前是用全连接网络做分类，这些层用不到，可以删除。
3. 修正matplotlib导入：原代码import matplotlib as plt是错误的，应该是import matplotlib.pyplot as plt（如果后续要绘图的话）。

修正后的完整代码 #

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

# 读取数据
df = pd.read_csv(r'/Users/aishwaryaiyer/Desktop/cancer.csv')
print(df)

# 划分特征与标签
x = df.drop(columns=["diagnosis(1=m, 0=b)"])
y = df["diagnosis(1=m, 0=b)"]

# 划分训练集测试集
from sklearn.model_selection import train_test_split
x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.2)

# 构建模型
import tensorflow as tf
from keras.models import Sequential
from keras.layers import Dense, Dropout

model = tf.keras.models.Sequential()
# 仅指定单个样本的特征数
model.add(tf.keras.layers.Dense(256, input_shape=(x_train.shape[1],), activation='sigmoid'))
model.add(tf.keras.layers.Dense(256, activation='sigmoid'))
model.add(tf.keras.layers.Dense(1, activation='sigmoid'))

# 编译与训练
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])
model.fit(x_train, y_train, epochs=10)

额外提示 #

• 若模型效果不佳，可尝试将激活函数换成relu（全连接层常用，比sigmoid更容易训练），或添加Dropout层抑制过拟合。
• 训练完成后，用model.evaluate(x_test, y_test)可评估模型在测试集上的表现。

内容的提问来源于stack exchange，提问作者ryaready