自定义数据集二分类Quasi-SVM报RandomFourierFeatures层维度错误

在自定义数据集上实现二分类Quasi-SVM模型时，参考Quasi-SVM示例编写的Keras模型代码如下，运行时触发维度不兼容报错：

model = keras.Sequential(
[
    keras.Input(shape=(50176,)),
    keras.layers.experimental.RandomFourierFeatures(
    output_dim=4096, scale=10.0, kernel_initializer="gaussian"),
    keras.layers.Dense(units=10),
]
)

触发的完整报错信息：

层"random_fourier_features"的第0位输入与该层不兼容，期望输入维度数ndim=2，实际接收到的输入维度数ndim=4，收到的完整输入形状为(None, None, None, None)。

RandomFourierFeatures层仅接受形状为(样本批量大小, 特征维度)的二维张量输入，报错说明实际传入模型的是4维张量（典型为未做展平的图像类数据，形状格式为(批量大小, 高度, 宽度, 通道数)），和keras.Input中声明的(50176,)二维输入形状完全不匹配，输入层声明和实际喂入数据的形状脱节。

• 若原始输入本身是4维结构（比如尺寸为224224的单通道图像，展平后特征数恰好为224224*1=50176，和预设的特征维度匹配），直接在输入层后、RandomFourierFeatures层前添加Flatten层做维度转换，同时修正二分类任务对应的输出层配置，参考代码如下：

model = keras.Sequential(
[
    # 替换为你实际的原始4维输入形状
    keras.Input(shape=(224, 224, 1)),
    # 新增展平层，将4维输入转为(批量大小, 特征总数)的二维张量
    keras.layers.Flatten(),
    keras.layers.experimental.RandomFourierFeatures(
        output_dim=4096, scale=10.0, kernel_initializer="gaussian"),
    # 二分类任务输出单元设为1，搭配hinge损失即可实现Quasi-SVM
    keras.layers.Dense(units=1),
]
)

• 若你原本计划直接输入展平后的50176维特征，检查数据集预处理、加载逻辑，确保传入model.fit()的训练、验证特征数组形状为(样本总数, 50176)的二维数组，不要保留原始数据的4维结构。
• 额外配置提醒：原代码中Dense(units=10)是10分类任务的输出配置，做二分类Quasi-SVM时需要将输出单元数改为1，搭配合页损失（hinge loss）训练即可。

内容的提问来源于stack exchange，提问作者RamiDhouib1998