Keras自编码器单输入样本评估触发形状不匹配报错如何解决

Keras模型的输入默认要求携带批次维度。你定义模型时指定输入shape为(784,)，实际模型预期接收的输入形状为(None, 784)，其中第一位的None代表支持任意长度的批次维度，最后一维才是单样本的特征长度784。

当你直接取test_data[0]时，由于test_data整体形状为(10000, 784)，索引单个样本得到的数组形状是(784,)，缺失了批次维度。这个形状传入模型时，Keras会自动将输入的第一维识别为批次维、最后一维识别为特征维，最终解析得到的输入形状是(784, 1)——等价于传入了784个样本、每个样本特征长度为1，和模型要求的特征长度784完全不匹配，因此触发形状不兼容报错。
而传入整个test_data时，数组形状为(10000, 784)，批次维为10000、特征维为784，完全符合模型输入要求，因此可以正常运行。

核心逻辑是给单个样本补充批次维度，将单样本数组的形状从(784,)转换为(1, 784)，也就是构造批次大小为1的输入，有两种常用实现方式：

• 方式1：索引样本时保留批次维度，不直接取单个元素，而是取切片范围
  将原报错代码替换为：

  # 取索引0到1（不包含1）的切片，得到形状为(1,784)的单样本批次
  self.model.evaluate(test_data[0:1], test_data[0:1])
  

• 方式2：使用numpy的维度扩展接口手动给单样本增加批次轴
  代码示例：

  import numpy as np
  # 在第0轴增加维度，将形状(784,)转换为(1,784)
  single_sample = np.expand_dims(test_data[0], axis=0)
  self.model.evaluate(single_sample, single_sample)
  

补充说明：Keras的fit、evaluate、predict三类接口都要求输入携带批次维度，哪怕推理/评估时只传入1个样本，也需要显式补上值为1的批次维度，否则都会出现同类形状不匹配问题。

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