使用Keras批量训练Sequential模型时出现维度不匹配错误如何解决

错误原因 #

• 输入维度不匹配：你的输入数据X形状为(432,24,1)，单样本维度是(24,1)，但模型第一层全连接层没有指定输入形状，注释掉的Flatten层配置的(None,432,2)输入形状和实际数据完全不符，导致全连接层接收输入时维度校验失败。
• 输出维度不匹配：标签Y的最后一维是1，你设置的输出层有2个神经元，维度无法对齐，输入问题解决后也会触发新的报错。
• 损失函数选型错误：你的标签是连续数值，属于回归任务，使用二分类交叉熵损失binary_crossentropy不符合任务场景。

正确实现批量训练的方案 #

根据你的需求（单样本输入为24×1向量，输出对应和Y匹配的24×1向量），修改后可运行的代码如下：

import numpy as np
import tensorflow as tf
from tensorflow import keras
from sklearn.model_selection import train_test_split

# 示例数据保持原有形状
X = np.random.rand(432,24,1)
Y = np.random.rand(432,24,1)

X_train, X_test, y_train, y_test = train_test_split(X, Y, test_size=0.3, random_state=12)

model = keras.Sequential([
    # 显式指定单样本输入形状，先展平为24维向量传入全连接层
    keras.layers.Flatten(input_shape=(24, 1)),
    keras.layers.Dense(64, activation=tf.nn.relu),
    # 输出24个值，再reshape回和Y一致的(24,1)形状
    keras.layers.Dense(24, activation='linear'),
    keras.layers.Reshape((24,1))
])

# 回归任务使用均方误差作为损失函数
model.compile(optimizer='adam', loss='mse', metrics=['mae'])

# batch_size=32即每次批量训练32个样本，迭代总次数由epochs指定
history = model.fit(X_train, y_train, epochs=200, batch_size=32, validation_split=0.3)
test_loss, test_mae = model.evaluate(X_test, y_test)
print('Model loss:', test_loss, 'Model MAE: ', test_mae)

如果你的需求是单样本输入24×1向量对应1个输出值，只需要把Y的形状调整为(432,1)，删除模型最后一层Reshape，输出层改为Dense(1, activation='linear')即可。

内容的提问来源于stack exchange，提问作者Lash