TensorFlow用多特征CSV训练模型时报sequential层输入数量错误如何解决

• tf.data.experimental.make_csv_dataset默认返回的数据集格式为(特征字典, 标签)，字典中每个键对应CSV的一列特征，每列都是独立的张量，你有8个特征就会输出8个独立张量，但你的Sequential模型仅支持接收1个合并后的特征张量，因此触发维度错误。
• 模型输入配置错误：你的数据有8个特征，但输入层input_shape写为(1,7)，维度完全不匹配；同时非时序全连接网络不需要额外添加维度1，正确的输入形状应为(8,)；且Sequential模型仅需在第一层定义输入形状，后续层会自动推导输入维度，无需每层都配置input_shape。

1. 给数据集添加预处理逻辑，将8个独立的特征张量合并为单个二维张量，代码如下：

def preprocess_fn(features, label):
    # 遍历所有特征列，扩展维度后沿最后一维拼接，得到形状为(batch_size, 8)的特征张量
    feature_tensor = tf.concat([tf.expand_dims(features[col], axis=-1) for col in features.keys()], axis=-1)
    return feature_tensor, label

# 给三个数据集都应用预处理函数
train_dataset = train_dataset.map(preprocess_fn)
validation_dataset = validation_dataset.map(preprocess_fn)
test_dataset = test_dataset.map(preprocess_fn)

注意：如果你的CSV包含标签列，需要在调用make_csv_dataset时通过label_name参数指定标签列的名称，否则所有列都会被识别为特征，不会返回单独的标签值。

2. 修正模型的输入配置，调整后的模型代码如下：

model = tf.keras.Sequential()
# 仅第一层需要指定输入形状，对应8个特征
model.add(layers.Dense(8, activation="relu", input_shape=(8, )))
model.add(layers.Dense(8, activation="relu"))
# 若你做的是回归任务，中间层不要用softmax激活；如果是分类任务，输出层维度要对应分类数，根据实际场景调整激活函数
model.add(layers.Dense(8, activation="relu"))
model.add(layers.Dense(1))
model.summary()

3. 调整完成后重新运行model.fit即可正常训练。

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