Keras调用model.fit报错：期望输入4维但得到形状为(10,1)的数组如何解决

报错核心是Keras模型输入层要求的维度和实际传入的训练数据维度不匹配，结合你使用双输入模型（sample_train_emb1长度为2）、包含图像特征的场景，常见触发原因有两类：

• 双输入列表的维度拼接错误：你传入的sample_train_emb1列表对应模型的两个输入层，其中报错指向的keras_layer_input输入层要求4维张量（通常为图像输入，标准维度格式为(样本数, 高度, 宽度, 通道数)），但你实际传入的对应数组被错误压缩为(10, 1)，不符合要求。
• 单样本维度扩展后未对齐批量维度：你之前尝试将单张图像转为TensorShape([Dimension(1), Dimension(224), Dimension(224), Dimension(3)])格式，但没有将所有训练样本的4维张量沿第0维批量拼接，导致最终传入的数组维度异常。

自行执行以下代码确认维度不匹配的具体位置：

1. 打印训练输入两个数组的实际维度

print("第一个输入的实际维度：", sample_train_emb1[0].shape)
print("第二个输入的实际维度：", sample_train_emb1[1].shape)

2. 打印模型输入层的预期维度做对比

for input_layer in model.inputs:
    print("模型输入层预期维度：", input_layer.shape)

如果确认是图像输入维度错误，按以下逻辑修正：
假设sample_train_emb1[0]为图像输入，当前维度为(10, 1)，说明每个元素是单独的4维图像张量，需要先拼接为完整批量维度：

# 提取所有图像张量沿第0维拼接为(样本数,224,224,3)格式
img_input = np.concatenate([x[0] for x in sample_train_emb1[0]], axis=0)
# 第二个输入保持原有正确维度
other_input = sample_train_emb1[1]
# 重构训练输入列表
fixed_train_input = [img_input, other_input]

验证集的sample_valid_emb1按完全相同的逻辑修正维度后，再调用model.fit()即可正常运行。

内容的提问来源于stack exchange，提问作者Rayleigh