为什么TensorFlow会给输入输出额外加维度？如何传入符合要求的数组？

为什么模型要求三维输入 #

• Keras定义网络层时的input_shape参数不需要包含批量维度（即样本数维度），框架会自动在输入维度的最前面补充一个代表批量大小的动态占位维度，显示为None，表示该位置可以接受任意正整数的样本数量，不需要你实际传入值为None的维度。
• 你当前设置的第一层input_shape=(10, 10)，所以模型预期的完整输入维度就是(批量大小, 10, 10)，也就是你看到的三维结构，你现在传入的XTrain维度为(10,10)，和模型预期不匹配。

解决方法 #

根据你的实际业务场景选择对应方案即可：

场景1：单样本为10维的常规向量数据（如表格数据） #

这是最常见的场景，你只需要修改输入层的input_shape参数即可，无需调整训练数据：

model = tf.keras.models.Sequential()
# input_shape仅填写单样本的维度，即10个特征
model.add(layers.Dense(1, dtype=TFDataType, input_shape=(10,)))
# 后续层无需重复指定input_shape，框架会自动推导输入维度
model.add(layers.Dense(1, dtype=TFDataType))

修改后模型的预期输入维度为(None, 10)，和你现有XTrain的(10,10)维度完全匹配，其中第一个10就是你的样本批量大小。

场景2：单样本确实是(10,10)的二维数据（如短时序序列、灰度切片等） #

这种情况你只需要给现有训练数据新增一个批量维度即可，无需修改模型定义：

# 给训练数据的第0维新增大小为1的维度，表示当前只有1个样本，调整后维度为(1,10,10)
XTrain = tf.expand_dims(XTrain, axis=0)
YTrain = tf.expand_dims(YTrain, axis=0)

如果后续有更多样本，只需要把所有(10,10)格式的样本在第0维拼接即可，比如100个样本的整体维度就是(100,10,10)，完全符合模型输入要求。

关于传参的常见疑问 #

你提到的无法调用numpy.ones(None,10,1)是完全正常的：None只是Keras内部的批量维度占位标识，你实际构造数据时只需要把第一维替换成真实的样本数量即可，比如需要10个样本就构造tf.ones((10,10,10))，完全不需要使用None或者-1作为第一维度的值。

内容的提问来源于stack exchange，提问作者Matt Moynihan