TensorFlow 2分类模型训练报错：输入输出形状不匹配及predict调用问题

核心错误分析 #

你的问题主要来自三个方面：数据格式不匹配Keras的要求、模型层配置错误，以及预测时的输入维度问题。

1. 修正数据格式 #

Keras要求训练数据的输入x是二维张量（形状为(样本数量, 特征数量)），标签y是二维张量（形状为(样本数量, 类别数量)）。你之前把每个样本做成单独的一维张量，导致Keras误判样本数量，引发 cardinality 错误。

修正后的数据准备代码：

import tensorflow as tf
print("TensorFlow version:", tf.__version__)

names = sorted({"Jack", "John", "Peter", "X"})
sizes = [
    [0.0, 0.5, 0.6, 0.7, 0.8, 0.3], # Jack
    [0.2, 0.6, 0.7, 0.8, 0.5, 0.2], # John
    [0.0, 0.1, 0.1, 0.4, 0.8, 0.9], # Peter
    [0.3, 0.9, 0.2, 0.1, 0.0, 0.8]  # X
]

# 将列表转换为二维张量，形状分别为(4,6)和(4,4)
x = tf.convert_to_tensor(sizes, dtype=tf.float32)
y = tf.convert_to_tensor([
    [1.0, 0.0, 0.0, 0.0], # Jack的one-hot标签
    [0.0, 1.0, 0.0, 0.0], # John的one-hot标签
    [0.0, 0.0, 1.0, 0.0], # Peter的one-hot标签
    [0.0, 0.0, 0.0, 1.0]  # X的one-hot标签
], dtype=tf.float32)

2. 修正模型配置 #

• 第一个Dense层必须指定input_shape，告诉模型单个样本的特征维度（这里是6）。
• 输出层需要用softmax激活函数，将输出转换为符合概率分布的结果（所有类别概率和为1），匹配CategoricalCrossentropy损失函数的要求。

修正后的模型定义与编译：

model = tf.keras.models.Sequential([
    # 第一个Dense层指定输入形状，对应单个样本的6个特征
    tf.keras.layers.Dense(name="hidden", units=6, activation='relu', input_shape=(6,)),
    # 输出层用softmax激活，输出4个类别的概率
    tf.keras.layers.Dense(name="outputs", units=len(names), activation='softmax')
])

model.compile(
    optimizer='adam',
    loss=tf.keras.losses.CategoricalCrossentropy(),
    metrics=['accuracy']
)

3. 训练与预测 #

现在可以正常训练模型：

# 训练模型，样本量小，增加epochs让模型收敛
model.fit(x, y, epochs=200)

预测时，模型要求输入是批量维度的张量（即使是单个样本，也要包裹成二维数组）：

# 单个样本预测，注意外层加[]，变成形状(1,6)的输入
test_sample = [0.0, 0.5, 0.6, 0.7, 0.8, 0.3]
pred_probs = model.predict([test_sample])

# 输出每个类别的概率
for name, prob in zip(names, pred_probs[0]):
    print(f"{name}: {prob:.4f}")

# 获取概率最高的人物
pred_name = names[tf.argmax(pred_probs, axis=1)[0].numpy()]
print(f"\n预测结果：{pred_name}")

关键说明 #

• 数据格式：堆叠成二维张量后，Keras能正确识别出4个样本，每个样本有6个特征、对应4个类别标签，解决了cardinality不匹配的问题。
• 输出激活：softmax是分类任务的标准激活函数，确保输出符合概率分布，而relu无法满足这一要求。
• 预测输入：模型默认处理批量数据，因此单个样本需要增加一个批量维度（从(6,)变成(1,6)）。

内容的提问来源于stack exchange，提问作者Rolf