TensorFlow Keras模型调用报错：层期望1个输入张量却收到2个张量

你碰到的报错由3处写法问题共同导致：

• 直接将完整train_dataset传入模型的调用逻辑错误：你用from_tensor_slices构建的Dataset存储的是(特征张量, 标签张量)的元组，直接把整个Dataset传入model()时，模型会把元组内的特征、标签识别为两个独立的输入分支，自然触发「期望1个输入，实际收到2个输入张量」的报错。
• 模型输入形状配置错误：从你打印的样本可以看到，单条特征是长度为9的一维数组，但你第一层Dense层配置的input_shape=(32,9)完全不匹配。input_shape参数只需要填写单条样本的形状，不需要包含批量维度，你写的形状代表单条样本是32行9列的二维矩阵，和实际数据结构不符，就算解决传参问题也会触发形状不匹配错误。
• 输出层配置和任务不匹配：你的标签都是单个数值（比如29、7、34），但最后一层写的Dense(3)会输出3个预测值，后续训练时会直接触发标签和输出形状不匹配的错误。
• 预览逻辑冗余：你代码里定义了one_batch变量但完全没有使用，属于无效代码。

按顺序修改代码即可正常运行：

1. 修正模型结构，匹配输入特征维度和标签形状

model = tf.keras.Sequential([
  # 输入形状改为单条特征的长度9，去掉错误的32维度
  tf.keras.layers.Dense(10, activation=tf.nn.relu, input_shape=(9,)),
  tf.keras.layers.Dense(10, activation=tf.nn.relu),
  # 如果是回归任务预测单个连续值，输出层改为1个单元；如果是3分类任务，保留Dense(3)并添加softmax激活，同时将标签转为one-hot格式
  tf.keras.layers.Dense(1)
])

从你给出的标签样例看，更接近回归任务场景，默认按回归给出输出层配置，分类任务自行调整即可。

2. 对Dataset做批量分组
   模型默认按批量接收数据，直接用单样本的Dataset训练/预测效率极低，需要提前做batch切分：

# 训练集建议加shuffle打乱样本顺序，提升训练效果
batch_size = 32
train_dataset = train_dataset.shuffle(buffer_size=1024).batch(batch_size)
test_dataset = test_dataset.batch(batch_size)
cv_dataset = cv_dataset.batch(batch_size)

3. 修正预测预览逻辑
   不要直接把整个Dataset传入model()做前向传播，取单批量特征传入即可：

train_iterator = train_dataset.as_numpy_iterator()
batch_features, batch_labels = train_iterator.next()
predictions = model(batch_features)
print(predictions[:5])

完成上述修改后，直接调用fit接口传入处理好的Dataset即可开始训练，不需要手动拆分特征和标签，fit接口会自动解析Dataset里的(特征,标签)元组：

# 按你的任务类型选择优化器、损失函数，回归任务示例如下
model.compile(optimizer='adam', loss='mse')
model.fit(train_dataset, epochs=10, validation_data=cv_dataset)

内容的提问来源于stack exchange，提问作者James tan