Keras输入输出形状异常：输入(120,3)报错、输出120个值如何解决

问题根源 #

• 输入维度适配问题：Keras模型默认要求输入的第一个维度为批量维度，你定义的Input(shape=(120, 3))省略了批量维度，因此实际输入必须满足(批量大小, 120, 3)的形状，直接传入单样本的(120, 3)会因为缺维度报错。
• 结构设计问题：Dense层仅对张量的最后一个维度做计算，不会修改前面的维度，所以当前模型的输出形状为(批量大小, 120, 1)，每个样本会返回120个对应每个序列位置的输出，不符合你要单个预测值的需求。

调整方案 #

1. 修改模型结构，实现单样本输出单个预测值 #

在两个Dense层之间加一层Flatten()或者GlobalAveragePooling1D()来消去120的序列维度即可：

model = keras.Sequential([
    keras.Input(shape=(120, 3)),
    layers.Dense(20, activation='relu'),
    # 新增层消去序列维度，二选一即可
    layers.Flatten(), # 直接展平所有序列特征，保留全部信息
    # layers.GlobalAveragePooling1D(), # 对序列维度做全局平均聚合，参数更少、抗过拟合性更好
    layers.Dense(1, activation='sigmoid'),
])

修改后模型的输出形状为(批量大小, 1)，单样本输入(1,120,3)就会返回单个预测值。

2. 单样本推理 #

调整结构后，把原始输入(120,3)加一个批量维度即可正常推理，两种写法都可以：

# 写法1：直接封装为数组
input = np.array([original_input]) # 形状变为(1,120,3)
pred = model.predict(input)[0] # 取第一个元素即为单个预测值

# 写法2：用扩展维度API
input = np.expand_dims(original_input, axis=0)

3. 批量推理 #

如果你有N个形状为(120,3)的样本，直接把它们堆叠成形状为(N, 120, 3)的张量输入模型即可，输出会是(N,1)的数组，每个元素对应一个样本的预测值：

# 假设samples是样本列表，每个元素都是(120,3)的数组
batch_input = np.stack(samples, axis=0) # 形状变为(N,120,3)
preds = model.predict(batch_input) # 输出形状(N,1)

内容的提问来源于stack exchange，提问作者viraptor