如何为聊天机器人神经网络设置输入形状，解决预测时维度不匹配报错

你的模型输入层指定的单条样本特征维度为(46,)，训练阶段输入的是形状为(26, 46)的批量数据（26条样本，每条46维特征）。预测阶段出现报错有两个可能原因：

1. bag_of_words函数返回的单条样本特征长度不是46，维度不匹配
2. 没有给单条样本补充批量维度，Keras的predict接口要求输入必须包含批量维度，哪怕只有一条样本，也需要封装为(1, 46)的形状

• 第一步：先验证bag_of_words函数输出
  打印bag_of_words(inp, words)的形状，确认输出是长度为46的一维数组，如果长度不符，需要调整词袋生成逻辑，和训练时的特征提取规则保持一致。
• 第二步：调整预测代码的输入格式
  把chat函数里的预测行：

  results = model.predict([bag_of_words(inp, words)])
  

  修改为以下任意一种即可：

  # 方法1：增加批量维度
  results = model.predict(numpy.expand_dims(bag_of_words(inp, words), axis=0))
  # 方法2：直接reshape为批量格式
  results = model.predict(bag_of_words(inp, words).reshape(1, -1))
  

你的输出层用了softmax激活函数，属于多分类任务，训练时的损失函数binary_crossentropy是二分类/多标签分类用的，替换为categorical_crossentropy训练效果会更好。

内容的提问来源于stack exchange，提问作者acrid