TensorFlow 2模型predict输出形状异常：与输入一致而非标签形状

问题背景 #

使用TensorFlow 2.9.1（Python 3.9.12）构建气象数据的简单线性回归模型，数据集按年份拆分训练/验证/测试集，数据形状如下：

<data>.shape = (years, days, features)
train_inputs.shape = (91, 245, 6)
train_labels.shape = (91, 1, 1)
val_inputs.shape = (26, 245, 6)
val_labels.shape = (26, 1, 1)
test_inputs.shape = (13, 245, 6)
test_labels.shape = (13, 1, 1)

模型构建与训练代码：

import tensorflow as tf

linear = tf.keras.Sequential([
    tf.keras.layers.Dense(units=1)
])

early_stopping = tf.keras.callbacks.EarlyStopping(monitor='val_loss',
                                                    patience=2,
                                                    mode='min')
MAX_EPOCHS = 1000
# Build model
linear.compile(loss=tf.losses.MeanSquaredError(),
                optimizer=tf.optimizers.Adam(),
                metrics=[tf.metrics.MeanAbsoluteError()])

# Train model
linear.fit(x=train_inputs, y=train_labels, epochs=MAX_EPOCHS,
                      validation_data=(val_inputs, val_labels),
                      callbacks=[early_stopping],
                      verbose=1)

# Evaluate model
linear.evaluate(x=test_inputs, y=test_labels)

执行predictions = linear(test_inputs)后，期望输出形状为(13, 1, 1)，但实际得到(13, 245, 1)。

问题原因 #

TensorFlow的Dense层默认对输入的**最后一个维度（特征维度）**单独运算，不会对前面的维度做聚合。你的输入是(years, days, features)，Dense(1)会对每一年中的245天分别计算，因此输出形状为(years, days, 1)，但标签是每一年对应一个预测值（形状(years, 1, 1)），两者维度逻辑不匹配。

解决方案 #

核心是先对每一年的245天特征做聚合处理，将(years, days, features)转换为(years, aggregated_features)，再输入Dense层得到单年份预测值，以下是两种常用实现：

方案1：全局平均池化聚合每日特征 #

用GlobalAveragePooling1D对每日特征取平均压缩维度，再通过Reshape匹配标签形状：

linear = tf.keras.Sequential([
    # 输入(91,245,6) → 输出(91,6)：对每一年的245天特征取平均
    tf.keras.layers.GlobalAveragePooling1D(),
    tf.keras.layers.Dense(units=1),            # 输出(91,1)
    tf.keras.layers.Reshape((1,1))             # 调整为(91,1,1)，匹配标签形状
])

方案2：展平所有每日特征 #

将每一年的245天×6个特征展平为一维向量后做回归：

linear = tf.keras.Sequential([
    # 输入(91,245,6) → 输出(91, 245*6=1470)
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(units=1),
    tf.keras.layers.Reshape((1,1))
])

可选：调整标签形状简化模型 #

如果无需严格保留标签的(years,1,1)形状，可先将标签reshape为(years,1)，模型无需额外加Reshape层：

# 预处理标签
train_labels = tf.reshape(train_labels, (-1, 1))
val_labels = tf.reshape(val_labels, (-1, 1))
test_labels = tf.reshape(test_labels, (-1, 1))

# 构建模型
linear = tf.keras.Sequential([
    tf.keras.layers.GlobalAveragePooling1D(),
    tf.keras.layers.Dense(units=1)  # 输出(13,1)，后续可按需reshape为(13,1,1)
])

# 预测后调整形状（如果需要）
predictions = linear(test_inputs)
predictions = tf.reshape(predictions, (-1, 1, 1))

内容的提问来源于stack exchange，提问作者Patrick Miles