使用tf.data.Dataset训练Keras模型时出现输入形状不兼容错误

错误原因 #

你的生成器每次产出单个样本（形状(1279,300,1)），tf.data.Dataset.from_generator默认输出的数据集不带batch维度。但Keras模型的输入期望包含batch维度（形状为(None, 1279, 300,1)，None代表可变batch size），因此触发形状不兼容的报错。

解决方案 #

1. 给数据集添加batch打包操作 #

修改数据集构建代码，通过.batch()将单个样本打包成batch，让输入形状符合模型要求：

train_ds = tf.data.Dataset.from_generator(
    rev_generator,
    output_signature=(
        tf.TensorSpec(shape=(1279,300,1), dtype=tf.float32),
        tf.TensorSpec(shape=(), dtype=tf.int32)
    )
).batch(32)  # 按指定batch size打包样本

2. 修正输出层激活函数 #

你做的是二分类任务（标签为0/1），输出层应使用sigmoid激活函数（而非relu），确保输出值落在[0,1]区间，匹配二分类损失计算逻辑：

outputs=tf.keras.layers.Dense(1, activation='sigmoid')(x)

同时编译模型时，建议使用binary_crossentropy作为损失函数。

3. 调整fit调用参数 #

由于数据集已完成batch处理，调用fit时无需再指定batch_size参数：

model.fit(train_ds, epochs=epochs)

内容的提问来源于stack exchange，提问作者Kaoutar