Keras/TensorFlow预测输入形状不兼容报错及模型方案合理性咨询

问题1：形状不兼容报错解决方案 #

报错核心原因是你输入的单样本向量形状为(20,)，而模型要求的输入维度是(batch_size, 20)，缺少了batch维度，仅需要调整输入向量的形状即可解决：

• 方法1：用np.expand_dims新增batch维度

lol = np.expand_dims(lol, axis=0)
res = model.predict(lol)

• 方法2：用reshape调整形状

lol = lol.reshape(1, -1)
res = model.predict(lol)

注意不要把数组套在列表里传入predict，直接传递调整形状后的数组即可。

问题2：模型方案合理性及优化建议 #

你当前的单隐层全连接网络作为基线方案是合理的，已经实现了余弦相似度从0.5到0.66的提升，符合简单基线优先的迭代逻辑。可优化的方向包括：

• 数据预处理：先对所有初始、最终向量做L2归一化，消除向量模长对余弦相似度计算的干扰，让模型聚焦学习向量方向的变化规律
• 模型结构调整：可以尝试加深/加宽网络，比如20维输入 -> 32维relu隐层 -> 20维输出，或者把激活函数替换为tanh，更适配余弦相似度的方向学习需求
• 损失函数优化：如果向量的模长也有业务意义，可以使用混合损失，比如损失 = 0.7*负余弦相似度 + 0.3*MSE，同时兼顾方向和数值的拟合效果
• 正则化优化：4000条样本量不大，可以在全连接层增加L2正则，或者加入Dropout层，避免模型过拟合
• 训练策略调整：降低Adam优化器的初始学习率到1e-4，增加训练轮次到50-100轮，配合早停回调（EarlyStopping）在验证集效果不提升时提前终止训练

内容的提问来源于stack exchange，提问作者mariusr