Tensorflow层输入不兼容：Dense层期望2维输入却收到1维数据

根本原因 #

报错提示期望输入最小维度为2，但实际收到维度为1的(3,)张量，核心有两个问题：

1. 输入数据形状不符合模型要求
2. 模型定义存在冗余的input_shape配置，干扰形状推断

具体解决步骤 #

• 修正输入数据维度
  Keras 模型默认要求输入带批量维度（第一维为批量大小），你当前传入的np.array([0,pos[0],pos[1]])形状为(3,)，属于1维张量，不符合第一层定义的input_shape=(3,1)要求。需要将输入调整为形状(批量大小, 3, 1)，单样本场景下修改为：

  controle_actuel = model(np.array([0,pos[0],pos[1]]).reshape(1, 3, 1))
  

• 清理模型冗余配置
  Sequential 模型仅需要第一层指定input_shape，后续层会自动根据上一层输出推断输入形状，你后续每一层都加input_shape属于冗余配置，还会引发形状推断错误。修正后的模型构建代码如下：

  def build_model(dim_data, n_neurons):
      model = tf.keras.Sequential(name="Reseau_de_neurones")
      # 仅第一层保留input_shape
      model.add(layers.Dense(units = n_neurons, input_shape=(3, 1), bias_initializer="glorot_uniform")) 
      model.add(layers.ReLU())
      model.add(layers.Dense(units = n_neurons, bias_initializer="glorot_uniform")) 
      model.add(layers.ReLU())
      model.add(layers.Dense(units = n_neurons, bias_initializer="glorot_uniform")) 
      model.add(layers.ReLU())
      model.add(layers.Dense(units = n_neurons, bias_initializer="glorot_uniform")) 
      model.add(layers.ReLU())
      model.add(layers.Dense(units = dim_data - 1, bias_initializer="glorot_uniform")) 
      return model
  

• 补全损失计算逻辑
  你当前train_step中的loss_value = loss没有实际计算逻辑，需要将模型输出和真实标签代入损失函数计算，否则后续梯度计算会失败。示例逻辑如下（以MSE损失为例）：

  def train_step(model, y_true):
     with tf.GradientTape() as tape:
      pos = [0,0]
      # 输入调整维度
      controle_actuel = model(np.array([0,pos[0],pos[1]]).reshape(1,3,1))
      # 补全损失计算
      loss_value = tf.keras.losses.mean_squared_error(y_true, controle_actuel)
     gradients = tape.gradient(loss_value, model.trainable_variables)
     return loss_value, gradients
  

验证 #

完成上述修改后运行代码，不会再出现维度不匹配的报错。

内容的提问来源于stack exchange，提问作者Thibaut Maron