首先，我们来拆解你遇到的两个核心问题：损失函数中使用model.predict的错误，以及修改后出现的张量形状不匹配问题。

一、为什么model.predict会触发静态batch size报错？ #

Keras的自定义损失函数是运行在符号计算图层面的，它需要处理的是tf.Tensor（符号张量），而model.predict()是为推断阶段设计的——它接收numpy数组并返回实际的预测值，无法处理动态形状的符号张量（比如(None, 36)，None代表动态batch size）。

要在损失函数中获取关联样本的预测结果，你需要用model(input_tensor)的方式来执行符号化的前向传播，这样才能融入到训练的计算图中。

二、修正损失函数的符号运算逻辑 #

你的需求是：对每个输入样本X1，获取其关联样本X2、X3、X4的预测值，然后计算损失。首先要调整数据输入方式和损失函数的实现：

1. 调整训练数据的输入结构 #

根据你描述的INPUT_X.shape=(100,36)（主样本）和INPUT_Y.shape=(100,3,36)（每个主样本对应的3个关联样本），你需要把关联样本作为额外输入传入模型，或者在损失函数中正确获取这些关联样本的符号张量。

这里推荐将主样本和关联样本一起作为模型输入：

from keras.layers import *
from keras.models import Model
import keras.backend as K
import tensorflow as tf

# 主样本输入
input_main = Input(shape=(36,))
# 关联样本输入：每个主样本对应3个36维的样本
input_assoc = Input(shape=(3,36))

# 共享的网络结构（因为主样本和关联样本要用同一个模型预测）
def build_shared_network():
    inputs = Input(shape=(36,))
    x = Dense(300, activation='relu')(inputs)
    outputs = Dense(1, activation='linear')(x)
    return Model(inputs, outputs)

shared_model = build_shared_network()

# 主样本的预测
pred_main = shared_model(input_main)
# 关联样本的预测：需要将(None,3,36)拆分成3个(None,36)的张量，分别预测
assoc_samples = [input_assoc[:,i,:] for i in range(3)]
pred_assoc = [shared_model(sample) for sample in assoc_samples]
# 计算3个关联样本预测的最大值
max_assoc_pred = K.max(K.concatenate(pred_assoc, axis=1), axis=1, keepdims=True)

# 定义损失函数：这里假设你的损失是max关联预测和主样本真实值的差（根据你的需求调整）
def custom_loss(y_true, y_pred):
    # y_true是主样本的真实标签，shape=(None,1)
    # max_assoc_pred是关联样本的最大预测值，shape=(None,1)
    return K.mean(K.abs(max_assoc_pred - y_true))

# 构建完整模型
model = Model(inputs=[input_main, input_assoc], outputs=pred_main)
model.compile(loss=custom_loss, optimizer='adam')

# 训练时传入主样本和关联样本
model.fit(x=[Train_X, Train_assoc_X], y=Train_y, batch_size=100)

2. 解释关键调整点 #

• 共享网络：用build_shared_network()创建共享的预测网络，确保主样本和关联样本使用同一套权重进行预测，符合你的需求。
• 关联样本的形状处理：input_assoc的shape是(None,3,36)，我们通过切片input_assoc[:,i,:]得到每个关联样本的张量（shape=(None,36)），这样才能传入共享网络进行预测。
• 符号化的最大值计算：用K.concatenate把3个关联预测结果合并成(None,3)，再用K.max取每行的最大值，得到(None,1)的张量，和主样本的预测/真实值形状匹配。

三、解决你遇到的形状不匹配错误 #

你提到调用model(pred_y[:,0])时触发Shape must be rank 2 but is rank 1的错误，原因很简单：

• pred_y是模型的输出，shape是(None,1)，pred_y[:,0]会把它压缩成一维张量(None,)，而模型的输入需要是二维的(None,36)。
• 你这里混淆了模型的输出和输入：关联样本的输入应该是(None,36)的特征张量，而不是模型的预测值。

另外，你说y_true形状不是(3,36)，这是因为你的模型输出是(None,1)，Keras会自动匹配y_true的形状为(None,1)，而你传入的INPUT_Y是(100,3,36)，这本身就不匹配——因为y_true应该是主样本的标签，而不是关联样本的特征。你需要把关联样本作为单独的输入传入，而不是放到y参数里。

四、额外注意事项 #

• 如果你坚持不需要y_true（比如损失仅基于关联样本的预测），可以把损失函数修改为只依赖关联样本的预测结果，此时y_true可以传入dummy值（比如全0数组），但不建议这么做，因为不符合Keras的设计规范。
• 确保所有张量的形状在计算过程中保持一致，避免维度不匹配：比如所有预测结果都要保持(None,1)的形状，这样才能进行算术运算。

内容的提问来源于stack exchange，提问作者ntiboroo1