TensorFlow model.fit形状不匹配错误：期望(None,100,3)得到(100,3)

关于None的含义 #

TensorFlow里模型输入层的None就是批量维度，表示每次训练时输入的样本数量（batch size）可以灵活调整。模型训练时要求输入数据是(批量大小, 100, 3)的形状，但你现在传的是单个样本的(100,3)，少了批量维度，所以触发错误。

你说判别器单独测试正常，应该是测试时只喂了单个样本，而model.fit默认期望批量数据，两者的输入要求不一样才导致的问题。

具体解决步骤 #

1. 给输入数据补上批量维度 #

如果你的训练数据是单个(100,3)的样本，手动加个批量维度：

# 用tf.newaxis添加第一维，变成(1, 100, 3)
sample = sample[tf.newaxis, ...]

如果是多个样本，把它们堆叠成(样本数量, 100, 3)的数组：

# 假设samples是一堆(100,3)的样本列表
train_data = np.array(samples)

2. 核对输入层定义 #

判别器的输入层要这么写，只指定样本本身的形状，模型会自动加上批量维度的None：

input_layer = tf.keras.layers.Input(shape=(100, 3))

别写成Input(shape=(None,100,3))，那样会让模型期望多一个不必要的维度。

3. 训练时传对形状的数据 #

用model.fit训练时，确保传入的x数据是(batch_size,100,3)的形状。哪怕你用batch_size=1，也要保证数据有批量维度。比如：

# 假设real_data是形状为(n,100,3)的真实数据，labels对应标签
discriminator.fit(x=real_data, y=labels, batch_size=32)

如果是用train_on_batch训练GAN的判别器，同样要保证传入的真实数据和生成数据都是带批量维度的形状。

内容的提问来源于stack exchange，提问作者Levi Taylor