TensorFlow Sequential层输入形状不兼容问题求解

你的问题核心是模型期望的输入形状和训练数据形状不匹配：模型定义时指定了input_shape=(1, 5)，意味着每个样本需要是(1,5)的二维结构（对应整体输入张量形状为(None,1,5)，None代表样本数量可变），但你的X_train是(371,5)的二维张量，每个样本是一维的5个特征，因此触发了形状不兼容的错误。

下面给出两种直接的解决办法：

方法一：修改模型的输入形状（推荐） #

既然训练数据每个样本是5个特征，直接把模型的输入形状改成(5,)，甚至可以去掉Flatten层（Dense层本身就能处理(样本数, 特征数)的二维输入）：

import tensorflow as tf
from sklearn import metrics

model = tf.keras.Sequential()
# 直接指定输入形状为(5,)，无需Flatten层
model.add(tf.keras.layers.Dense(200, activation='sigmoid', input_shape=(5,)))
model.add(tf.keras.layers.Dense(3, activation='softmax'))

opt = tf.keras.optimizers.SGD(learning_rate=0.9)
model.compile(optimizer=opt, loss=tf.keras.losses.SparseCategoricalCrossentropy())

model.fit(X_train, y_train, epochs=10)

如果一定要保留Flatten层，也可以这么写：

model = tf.keras.Sequential()
model.add(tf.keras.layers.Flatten(input_shape=(5,)))
model.add(tf.keras.layers.Dense(200, activation='sigmoid'))
model.add(tf.keras.layers.Dense(3, activation='softmax'))

方法二：调整训练数据的形状 #

如果不想改动模型结构，可以给X_train增加一个维度，让它变成(371,1,5)的形状，匹配模型的输入要求：

import tensorflow as tf
from sklearn import metrics
import numpy as np

# 将DataFrame转为numpy数组，并新增一个维度
X_train_reshaped = X_train.values.reshape(-1, 1, 5)

model = tf.keras.Sequential()
model.add(tf.keras.layers.Flatten(input_shape=(1, 5)))
model.add(tf.keras.layers.Dense(200, activation='sigmoid'))
model.add(tf.keras.layers.Dense(3, activation='softmax'))

opt = tf.keras.optimizers.SGD(learning_rate=0.9)
model.compile(optimizer=opt, loss=tf.keras.losses.SparseCategoricalCrossentropy())

# 使用调整后的训练数据
model.fit(X_train_reshaped, y_train, epochs=10)

另外你之前尝试的X_train[1]是取数据集中的第二行样本，这显然不对——训练需要传入整个数据集，只是形状需要调整。

内容的提问来源于stack exchange，提问作者Adam