TensorFlow搭建Sequential模型时输入形状与层不兼容错误如何解决

你遇到的报错由多维度不匹配、代码笔误、损失函数与任务不匹配三类问题导致，按以下步骤修复即可：

1. 统一输入输出维度 #

你同时存在两处维度数值矛盾：

• 代码里模型输入层写的是shape=(786,)，但你明确输入向量长度为768，且报错显示传入的输入最后一维为768，首先将输入层修改为：

model.add(keras.Input(shape=(768,)))

• 后续所有Dense层的输出维度需和标签维度对齐，如果你输出的向量长度为768，把所有输出维度为786的Dense层参数同步修改为768即可。

2. 删除输入多余维度 #

报错显示传入的输入形状为(1, 1, 768)，正常batch_size=1的输入形状应为(1, 768)，你误用了np.expand_dims()增加了多余维度，改为用np.squeeze()删除多余的空维度：

xtrain, ytrain = get_dataset()
# 新增两行删除多余维度
xtrain = np.squeeze(xtrain)
ytrain = np.squeeze(ytrain)

3. 修复代码笔误 #

你加载数据集得到的变量名为xtrain、ytrain，但model.fit()中传入的是x_train、y_train，变量名不统一会直接报变量未定义错误，修改fit参数为：

history = model.fit(
    xtrain,
    ytrain,
    batch_size=1,
    epochs=5,
)

4. 匹配损失函数与任务类型 #

你当前的任务是输入向量输出同维度向量，属于回归任务，误用了分类任务的交叉熵损失与分类准确率指标，改为适配回归的配置：

# 输出层如果是输出0-1范围的数值，把激活改为sigmoid，符合你数据集归一化的取值范围
model.add(layers.Dense(768, activation="sigmoid", name="output"))

model.compile(
   optimizer=tf.optimizers.Adam(),
   loss=tf.keras.losses.MeanSquaredError(),
   metrics=[tf.keras.metrics.MeanAbsoluteError()],
)

内容的提问来源于stack exchange，提问作者PixelAim