TensorFlow用Conv2D预测X_test时报ConcatOp维度不匹配错误如何解决

你代码中Flatten层的代码行末尾多了一个英文逗号：

x = tf.keras.layers.Flatten()(x),

这个多余逗号会让变量x被赋值为单元素元组，而非预期的Tensor张量。后续网络层接收元组作为输入时，输出形状计算会出现异常，最终模型全连接层的输出形状不固定。predict()默认按批次大小32处理测试集时，不同批次的输出维度不一致，拼接多批次结果时就触发了Concat维度不匹配的报错。你手动拆分小批次预测时不需要拼接多批次结果，因此不会触发报错。

此外你代码中全连接层用到的分类数变量K没有提前定义，也会导致编译报错。

1. 删除Flatten层行末尾的多余逗号，修正x的变量类型
2. 提前定义分类数K = 10（Fashion MNIST共10个分类）
3. 可选优化：将图外操作tf.expand_dims替换为Keras原生Lambda层，避免潜在的版本兼容问题

修正后的完整代码如下：

import tensorflow as tf # 2.7.0
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

# load data 
mnist = tf.keras.datasets.fashion_mnist
(X_train, y_train), (X_test, y_test) = mnist.load_data()
# 定义分类数
K = 10

# Build model 
# Input 
inputs = tf.keras.Input(shape=X_train[0].shape)

# Scale 
x = tf.keras.layers.Rescaling(scale=1.0/255)(inputs)

# 用Lambda层封装维度扩充操作，保证在计算图内执行
x = tf.keras.layers.Lambda(lambda t: tf.expand_dims(t, -1))(x)

# Conv2D
x = tf.keras.layers.Conv2D(filters=32, kernel_size=(3, 3), activation="relu", strides=2)(x)
x = tf.keras.layers.Conv2D(filters=64, kernel_size=(3, 3), activation="relu", strides=2)(x)
x = tf.keras.layers.Conv2D(filters=128, kernel_size=(3, 3), activation="relu", strides=2)(x)

# Flatten 删除末尾多余逗号
x = tf.keras.layers.Flatten()(x)
x = tf.keras.layers.Dropout(rate=.2)(x)
x = tf.keras.layers.Dense(512, activation='relu')(x)
x = tf.keras.layers.Dropout(rate=.2)(x)   
x = tf.keras.layers.Dense(K, activation='softmax')(x)

model = tf.keras.Model(inputs=inputs, outputs=x)

# Compile
model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])

# Fit 注意validation_data参数接收元组而非列表
r = model.fit(X_train, y_train, validation_data=(X_test, y_test), epochs=10)

# 可正常执行
y_pred = model.predict(X_test).argmax(axis=1)

修正后重新运行即可正常执行全量测试集预测，不再出现拼接报错。

内容的提问来源于stack exchange，提问作者hulky.smash