TensorFlow生成器训练模型输入形状不匹配警告排查

你遇到的警告核心原因是生成器返回的输入维度和模型期望的维度不匹配，具体来说：

• 你的模型输入层定义的是(None, 20)，这表示模型期望接收的是二维张量：第一个维度是批量大小（None表示任意值），第二个维度是序列长度20。
• 但你的生成器每次返回的是一维张量（形状(20,)），TensorFlow会默认把这个一维张量解读为「包含20个样本的批次，每个样本长度为1」，也就是形状变成(20, 1)，这就和模型期望的(None, 20)冲突，从而触发警告。

虽然训练能正常进行，是因为TensorFlow可能做了隐式的维度调整，但这种隐式行为不可靠，可能导致模型计算逻辑不符合预期，所以必须修复。

有两种简单的修复方式，推荐第二种（批量返回），因为训练效率更高：

方案1：给单个样本增加维度 #

修改生成器，在返回输入和输出时，给每个样本增加一个批量维度（变成二维张量），让TensorFlow正确识别序列长度：

import numpy as np

def model_generator():
    for index, output in enumerate(training_decoder_output):
        for i in range(size):
            # 给输入增加批量维度，从(20,)变成(1,20)
            encoder_input = np.expand_dims(training_encoder_input[size*index+i], axis=0)
            decoder_input = np.expand_dims(training_decoder_input[size*index+i], axis=0)
            # 输出也需要增加批量维度，从(17772,)变成(1,17772)
            target_output = np.expand_dims(output[i], axis=0)
            yield ([encoder_input, decoder_input], target_output)

方案2：生成器返回批量数据（推荐） #

既然你已经按size划分了数据集，不如让生成器直接返回整个批次的样本，这样输入形状会直接匹配模型的期望，同时批量训练的效率更高：

def model_generator():
    total_samples = len(training_encoder_input)
    # 按size分批次遍历
    for start_idx in range(0, total_samples, size):
        end_idx = start_idx + size
        # 取出当前批次的输入
        encoder_batch = training_encoder_input[start_idx:end_idx]
        decoder_batch = training_decoder_input[start_idx:end_idx]
        # 取出当前批次的输出（根据你的数据存储结构调整）
        if isinstance(training_decoder_output, list):
            output_batch = training_decoder_output[start_idx//size]
        else:
            output_batch = training_decoder_output[start_idx:end_idx]
        yield ([encoder_batch, decoder_batch], output_batch)

修改后，你可以先手动调用生成器查看返回的数据形状：

gen = model_generator()
x, y = next(gen)
print("encoder input shape:", x[0].shape)  # 应该是(size, 20)或(1,20)
print("decoder input shape:", x[1].shape)  # 同上
print("output shape:", y.shape)  # 应该是(size, 17772)或(1,17772)

只要这些形状和模型输入输出的形状匹配（模型输入期望(None,20)，输出期望(None,17772)），警告就会消失。

内容的提问来源于stack exchange，提问作者Stack