Python版本与Keras兼容问题：葡萄酒预测模型Python3.6报错求助

这个报错很常见，本质是输入数据的形状和模型定义的输入形状不匹配，Python2和Python3对应的Keras/numpy版本对输入形状的校验严格程度不同，才导致了这个差异。

问题根源 #

你定义的模型输入形状是input_shape=(11,)，也就是期望每个样本是一个一维的11维特征向量（形状为(11,)）。但实际传入的输入X的形状是(11,1)（单样本）或者(n_samples,11,1)（批量样本）——多了一个冗余的维度，Keras无法将这种形状的数组广播成模型预期的一维形状，所以抛出了ValueError。

Python2.7的环境中可能使用了较旧的Keras/numpy版本，它们会隐式地帮你挤压掉多余的维度；而Python3.6对应的新版本库做了更严格的形状校验，要求输入必须严格匹配定义的input_shape。

解决方案 #

你可以通过两种方式解决，推荐第一种（调整数据形状，符合常规特征输入格式）：

方案1：调整输入数据的形状，去掉冗余维度

先打印确认输入X的形状：

print("原始输入X的形状:", X.shape)

根据输出结果做对应调整：

• 如果输出是(11,1)（单样本）：用squeeze去掉多余的维度

  X = X.squeeze(axis=1)  # 或者X = X.flatten()
  

• 如果输出是(n_samples,11,1)（批量样本）：去掉最后一个维度

  X = X.squeeze(axis=2)
  

调整后再打印X.shape，确认变成(11,)（单样本）或(n_samples,11)（批量样本），再运行模型代码就没问题了。

方案2：修改模型的输入形状以匹配数据

如果你不想调整数据，也可以把模型第一层的input_shape改成(11,1)，让模型适配带冗余维度的输入：

model = Sequential()
model.add(Dense(11, input_shape=(11,1), activation='relu'))  # 修改input_shape
model.add(Dense(8, activation='relu'))
model.add(Dense(1, activation='sigmoid'))

不过这种方式不符合常规的特征输入规范（通常特征是二维数组：样本数×特征数），所以更推荐方案1。

验证修改后的完整示例 #

# 先调整输入形状
print("原始X形状:", X.shape)
X = X.squeeze(axis=-1)  # 自动去掉最后一个维度，适配单/批量样本
print("调整后X形状:", X.shape)

# 构建模型
model = Sequential()
model.add(Dense(11, input_shape=(11,), activation='relu'))
model.add(Dense(8, activation='relu'))
model.add(Dense(1, activation='sigmoid'))

# 编译、训练、评估
model.compile(loss='mse', optimizer='adam', metrics=['mae'])
model.fit(X, Y, epochs=50, batch_size=10)
scores = model.evaluate(X, Y)
print("\n%s: %.2f%%" % (model.metrics_names[1], scores[1]*100))

内容的提问来源于stack exchange，提问作者nima