Keras Sequential模型input_shape参数配置相关问题咨询

问题1：两种input_shape运行结果不一致的原因 #

这两种写法定义的输入维度、层计算逻辑完全不同，结果自然会有差异：

• input_shape=(167,) 表示单条样本是长度为167的一维向量，对应批量输入的形状为(批量大小, 167)，和你现有x_train.shape=(97,167)完全匹配。此时第一层Dense(65)的输出形状为(批量大小, 65)，后续Dense(1)输出形状为(批量大小, 1)，符合回归任务的输出要求。
• input_shape=(167,1) 表示单条样本是形状为167×1的二维张量，对应批量输入的形状应为(批量大小, 167, 1)，和你现有训练集形状不匹配。Dense层默认作用在输入的最后一个维度，此时第一层Dense(65)的输出形状会变成(批量大小, 167, 65)，后续Dense(1)输出为(批量大小, 167, 1)，和回归任务需要的(批量大小, 1)输出形状不符，计算损失时要么触发隐式广播产生错误的计算结果，要么直接报错，和第一种写法的计算逻辑完全不同，结果肯定不一致。

问题3：input_shape的正确确定方法 #

input_shape的取值规则非常明确：填写单条样本的形状，不需要包含批量维度。
你可以直接取训练集shape从第二位开始的所有维度：

• 你的训练集x_train.shape=(样本数, 特征数)，单条样本形状就是(特征数,)，所以input_shape=(x_train.shape[1],)是正确写法。
• 如果后续处理其他任务：比如输入是28×28的灰度图片，训练集形状是(样本数,28,28,1)，那input_shape就是(28,28,1)；如果是长度为100的时序特征，训练集形状是(样本数,100,12)，input_shape就是(100,12)。
  如果确实需要用二维输入(167,1)，需要先给训练集扩充维度：x_train = np.expand_dims(x_train, axis=-1)，把训练集形状调整为(97,167,1)再传入模型。

内容的提问来源于stack exchange，提问作者user17395789