TensorFlow中Numpy数组与形状不匹配错误排查求助

看起来你遇到的核心问题有两个：任务类型混淆（把回归当成了分类），以及模型输入形状的处理不够明确。咱们一步步拆解解决：

1. 损失函数与指标用错了 #

你的任务是回归任务（预测连续数值ToPredict[i]），但你用了针对多分类任务的SparseCategoricalCrossentropy损失和sparse_categorical_accuracy指标，这直接导致了形状不匹配的错误——分类损失期望输出是类别概率分布，而回归只需要输出一个连续值。

修正方案： #

把损失换成回归任务常用的损失，比如MeanSquaredError（均方误差），指标换成回归对应的指标，比如mean_absolute_error（平均绝对误差）。

2. 模型输入形状的优化 #

你的输入Inputs_Learning形状是(N,3)，本身已经是二维（样本数×特征数），没必要用Flatten层。反而可以明确指定输入形状，让模型更清晰，避免潜在的形状问题。

修正后的模型示例： #

modele = tf.keras.Sequential([
    # 明确指定输入形状为(3,)——每个样本有3个特征
    tf.keras.layers.Input(shape=(3,)),
    tf.keras.layers.Dense(128, activation='relu'),
    tf.keras.layers.Dense(1)  # 回归任务输出1个连续值
])

3. 编译与训练的修正 #

结合上面的调整，编译代码应该改成：

modele.compile(optimizer=tf.keras.optimizers.RMSprop(),
              loss=tf.keras.losses.MeanSquaredError(),
              metrics=['mean_absolute_error'])

另外，建议给数据集加上batch处理，提升训练效率（这不是错误根源，但能让训练更规范）：

# 加上batch，比如每个batch取32个样本
A = A.batch(32)
# 然后训练
modele.fit(A, epochs=10)

为什么之前会报形状错误？ #

SparseCategoricalCrossentropy会假设你的输出是对应类别的logits，期望输出形状是(batch_size, num_classes)，而你的标签是(batch_size,1)的连续值，两者形状和语义都不匹配，所以触发了错误。换成回归损失后，模型输出(batch_size,1)，和标签形状完全匹配，就能正常训练了。

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