如何在TensorFlow神经网络内实现输入相乘并排查维度报错

你的代码存在两个逻辑错误，直接触发维度不匹配问题：

• 错误使用Dense层的activation参数：激活函数的作用是对Dense线性变换后的结果做逐元素非线性映射，要求输入输出维度完全一致，不能用来实现跨特征的交叉运算。
• 张量索引逻辑错误：网络层接收的张量第一维永远是batch维度，你写的x[0, :]、x[1, :]是取批次中第1、第2个样本的特征，不是取单个样本内的两个特征，运算后直接丢失了batch维度，输出变成一维张量，完全不符合下一层Dense要求的「至少二维（batch维+特征维）」的输入规则，最终触发报错。

不要把自定义特征运算塞到激活函数位置，用Lambda层封装自定义张量操作即可，注意运算全程保留batch维度，参考代码：

import tensorflow as tf
from tensorflow.keras.layers import Input, Dense, Lambda

# 自定义单样本内两特征相乘逻辑，全程保留第0位的batch维度
def multiply_features(x):
    # x形状为(batch_size, 2)，逐样本取两个特征相乘后，扩展维度保持二维输出
    return tf.expand_dims(x[:, 0] * x[:, 1], axis=-1)

inputs = Input(shape=(2, ))
# 用Lambda层执行特征相乘，不要放在Dense的activation参数中
r = Lambda(multiply_features)(inputs)
fr = Dense(units=1, activation='relu')(r)
# 后续可继续叠加其他网络层

如果是多组特征相乘，也可以直接调用内置的tf.keras.layers.Multiply层，传入需要相乘的特征分支即可，不需要手写乘法函数。

提示：所有网络内部涉及维度变换、特征交叉的自定义操作，优先用Lambda层或自定义Layer实现，不要复用激活函数的传参位置，否则极易出现计算图构建错误、维度不匹配的问题。

内容的提问来源于stack exchange，提问作者user26616