基于ResNet50构建回归模型遇报错：input_shape需为三元整数组

错误原因 #

ResNet50是为图像数据设计的卷积神经网络，要求输入形状为三维元组（高度、宽度、通道数），而你传入的input_shape=(89,)是一维的，不符合要求。你的输入(1500, 89)属于二维表格数据（1500个样本，每个样本89个特征），直接套用ResNet的默认结构会出现维度不匹配问题。

解决方案 #

方案1：调整输入适配ResNet结构

将一维特征扩展为三维格式（模拟单通道"图像"），让ResNet能够处理。同时注意回归任务的输出层激活函数选择：

from tensorflow.keras.applications import ResNet50
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Flatten, Dense, Dropout, Reshape

# 初始化ResNet50，输入形状设为三维：(特征数, 1, 1)，代表单通道
base_model_resnet = ResNet50(include_top=False, input_shape=(89, 1, 1))
# 可选择冻结预训练层，避免过拟合
base_model_resnet.trainable = False

model_resnet = Sequential()
# 添加Reshape层，将输入的(89,)转换为ResNet需要的(89,1,1)
model_resnet.add(Reshape((89, 1, 1), input_shape=(89,)))
model_resnet.add(base_model_resnet)
model_resnet.add(Flatten())
# 全连接层无需指定input_dim，模型会自动传递维度
model_resnet.add(Dense(1024, activation='relu'))
model_resnet.add(Dense(512, activation='relu')) 
model_resnet.add(Dropout(0.4))
model_resnet.add(Dense(256, activation='relu')) 
model_resnet.add(Dropout(0.3))
model_resnet.add(Dense(128, activation='relu'))
model_resnet.add(Dropout(0.2))
# 回归任务用linear激活输出连续值，多输出回归调整Dense单元数即可
model_resnet.add(Dense(1, activation='linear'))

model_resnet.summary()

方案2：改用更适合表格数据的模型

如果你的数据是结构化表格数据，ResNet这类卷积网络并非最优选择，全连接网络（MLP）或梯度提升树（如XGBoost）通常更高效且效果更好。示例MLP代码：

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Dropout

model_mlp = Sequential()
model_mlp.add(Dense(1024, activation='relu', input_shape=(89,)))
model_mlp.add(Dense(512, activation='relu')) 
model_mlp.add(Dropout(0.4))
model_mlp.add(Dense(256, activation='relu')) 
model_mlp.add(Dropout(0.3))
model_mlp.add(Dense(128, activation='relu'))
model_mlp.add(Dropout(0.2))
model_mlp.add(Dense(1, activation='linear'))

model_mlp.summary()

关键注意点 #

• 回归任务最后一层必须用linear激活函数，sigmoid适用于0-1范围的分类任务，不适合连续值输出。
• 若使用预训练ResNet，可根据数据集大小选择冻结或微调预训练层，避免过拟合。

内容的提问来源于stack exchange，提问作者lead step