如何正确设置TensorFlow Sequential模型输入层的shape？

核心错误点 #

你设置的输入层参数完全错误，问题源于对Keras全连接层input_shape参数的定义理解偏差：

• 你的训练集形状(5420, 212)中，第一个值5420是训练样本总数量，第二个值212才是单条样本的特征数量
• Keras的input_shape参数不需要传入样本总数，仅需要指定单条样本的特征维度，样本数量、batch大小会由框架自动适配，无需手动声明

报错逻辑 #

你设置input_shape = (5420,)相当于告诉模型：单条输入样本需要有5420个特征，但实际你的单条样本只有212个特征，因此触发维度不匹配的报错。

修正方案 #

只需要修改输入层的input_shape参数即可，修正后的完整代码如下：

model = models.Sequential()
# 仅修改这一行的input_shape值为212即可
model.add(layers.Dense(64, activation='relu', input_shape = (212,)))
model.add(layers.Dense(64, activation='relu'))
model.add(layers.Dense(5, activation='softmax'))
model.compile(optimizer='rmsprop', loss='categorical_crossentropy', metrics=['accuracy'])
model.summary()
history = model.fit(X_train, y_train, epochs=20, batch_size=512)

额外说明 #

全连接层（Dense）的输入仅需要指定特征维度即可，只有处理图像、时序等结构化数据的卷积层、循环层才需要传入更高维度的输入形状。

内容的提问来源于stack exchange，提问作者Fabio