TensorFlow中2D数组为输入推理标量时如何将输出调整为(1,1)

• 拼写错误：代码中多次将layers误写为layders，会直接触发导入报错，需先修正。
• 特征维度处理逻辑问题：Dense层仅对输入张量的最后一个维度做全连接计算，输入形状为(2,3)时，计算过程会始终保留第0个维度的2，最终输出形状为(2,1)，无法得到标量输出。
• Numpy数组构造语法错误：你定义xs时外层缺少列表包裹，不符合numpy数组构造规则，会触发语法报错。

你需要在输入层后添加维度压缩层，把2D的输入特征转为1D向量后再接全连接层，常用两种实现方式：

方法1：添加Flatten层（最常用，适合简单场景） #

修改后的完整代码如下：

import numpy as np
from tensorflow.keras import Sequential, layers

my_model = Sequential()
# 输入形状为(2,3)，不需要包含batch维度
input_layer = layers.InputLayer(input_shape=(2,3))
xs = np.array([
    [[1,1,1],
     [1,1,1]],
    [[2,2,2],
     [2,2,2]],
    [[3,3,3],
     [3,3,3]]
])
ys = np.array([1,2,3])

my_model.add(input_layer)
# 新增Flatten层，将(2,3)的2D特征压缩为长度为6的1D向量，消除多余维度
my_model.add(layers.Flatten())
my_model.add(layers.Dense(64, activation='relu', name='layerone'))
my_model.add(layers.Dense(64, activation='relu', name='layertwo'))
my_model.add(layers.Dense(1, name='output'))

my_model.summary()

修改后模型输出形状为(None, 1)，单样本推理时输出形状为(1,1)，符合你的需求。

方法2：添加全局池化层（适合输入存在空间语义的场景） #

如果你的(2,3)输入是有空间关联的特征，可以把Flatten层替换为全局平均池化或者全局最大池化，避免特征压缩时丢失全局信息：

# 替换Flatten层为以下任意一行即可
my_model.add(layers.GlobalAveragePooling1D())
# 或
my_model.add(layers.GlobalMaxPool1D())

内容的提问来源于stack exchange，提问作者Heyi Li