Keras前馈神经网络最后一层输入单变量报错，多列正常的原因？

你遇到的问题核心是错误地将包含样本数量的完整DataFrame形状传给了Keras Input层的shape参数，而不是指定单个样本的特征维度。

为什么单列输入会报错？ #

当single_feature_x是单列DataFrame时，它的shape是(150, 1)（150个样本，1个特征）。你直接把这个元组传给Input(shape=single_feature_x.shape)，这会让Keras误解为：每个输入样本是一个150行×1列的二维张量。加上batch维度后，single_input_x的实际输入形状就变成了[?, 1, 1]（三维张量）。

而另一边，input_x对应的feature_x是3列，shape=(150,3)，经过Dense(4)层处理后，输出是[?,4]（二维张量）。当你尝试在axis=-1（最后一个维度）拼接这两个张量时，三维和二维张量的维度不匹配，自然就抛出了shape错误。

为什么加一列后能运行？ #

当你给single_feature_x添加一列常数后，它的shape变成了(150,2)，传给Input层后，single_input_x的输入形状变成了[?,150,2]（三维张量）。此时input_x经过Dense层后的输出是[?,150,4]（同样是三维张量），两者的维度匹配，所以可以成功拼接。

但要注意：这只是“碰巧”能运行，实际上你的模型结构已经偏离了原本的意图——你原本想处理的是表格数据（每个样本是一维特征向量），但现在模型把每个样本当成了150个时间步/空间维度的序列数据，这完全不符合你的数据逻辑。

正确的解决方法 #

Input层的shape参数应该指定单个样本的特征维度（不包含batch数量），也就是取DataFrame的列数：

# 修正Input层的shape参数，只取特征列数
input_x = Input(shape=(feature_x.shape[1],), name='feature_input')
single_input_x = Input(shape=(single_feature_x.shape[1],), name='single_input')

这样修改后：

• input_x的输入形状是[?,3]（batch_size个样本，每个样本3个特征），经过Dense(4)后输出[?,4]
• single_input_x的输入形状是[?,1]，两者都是二维张量，在axis=-1拼接后得到[?,5]，完全符合前馈神经网络的输入要求，不管是单列还是多列特征都能正常运行。

内容的提问来源于stack exchange，提问作者Nils Mackay