Keras单特征模型报错：Dense层期望min_ndim=2实际为1如何解决？

核心原因是Keras的Dense层默认要求输入为至少2维的张量，形状规范为(batch_size, 特征数)，而你当前使用axis=None的归一化层输出为1维张量(batch_size,)，缺少特征维度轴导致不兼容，可通过以下三种方法解决：

• 方案1：输入数据预处理阶段补全维度（最推荐）
  提前将单特征数组从一维(样本数,)转为二维(样本数, 1)，同步调整归一化层配置，后续模型逻辑无需修改：

# 单特征数组增加维度
single_feature = single_feature.reshape(-1, 1)
# 归一化层使用默认axis=-1即可，适配二维输入
single_feature_normalizer = preprocessing.Normalization(axis=-1)
single_feature_normalizer.adapt(single_feature)

# 模型代码保持不变
single_feature_model = keras.models.Sequential([
    single_feature_normalizer,
    layers.Dense(1)
])

• 方案2：模型中新增Reshape层补全维度
  无需修改前期数据和归一化逻辑，直接在模型的归一化层后插入Reshape层调整张量维度：

single_feature_model = keras.models.Sequential([
    single_feature_normalizer,
    # 将输出形状从(None,)调整为(None, 1)，适配Dense层输入要求
    layers.Reshape((1,)),
    layers.Dense(1)
])

• 方案3：使用Lambda层手动扩展维度
  效果和Reshape层一致，适合需要自定义维度调整逻辑的场景：

import tensorflow as tf
single_feature_model = keras.models.Sequential([
    single_feature_normalizer,
    # 最后一维扩展特征轴
    layers.Lambda(lambda x: tf.expand_dims(x, axis=-1)),
    layers.Dense(1)
])

内容的提问来源于stack exchange，提问作者sean harricharan