Fashion-MNIST训练的Keras模型推理自定义图像时出现输入形状不匹配报错

核心触发逻辑 #

Keras的训练、推理接口对输入张量的校验规则完全统一：默认输入张量的第一维为批次维度，所有形状校验都围绕「批次维+特征维」的二维结构展开。

• 训练阶段你传入的x_train经reshape后形状为(60000, 784)，框架识别为「60000个批次样本、单样本特征维度784」，完全匹配第一层Dense层的输入要求。
• 直接把形状为(784,)的单样本数组传入predict()时，框架会把一维数组的总长度784判定为第一维（批次维，日志中动态显示为None），剩余维度自动对齐为1，最终内部识别的输入形状为(784, 1)，和第一层要求的「最后一维特征值为784」的规则冲突，直接抛出你看到的形状不匹配报错。

修复步骤 #

单样本完成灰度转换、维度展平为784长度、像素值归一化后，必须手动补全批次维度，将数组调整为接口可识别的二维格式，两种等效实现均可：

• 调用numpy扩展维度方法：arr = np.expand_dims(arr, axis=0)
• 调用reshape调整形状：arr = arr.reshape(1, 784)
  调整完成后数组形状为(1, 784)，再传入model.predict()即可正常输出形状为(1, 10)的10分类预测结果。

常见认知误区 #

你此前核对的(784,)是单个独立样本的特征向量形状，不是模型推理接口要求的完整输入张量形状。Keras不会针对单样本推理场景自动省略批次维度，所有和模型交互的张量必须严格对齐二维结构要求。

批量推理场景适配：如果后续需要一次性推理多张自定义图像，只要把所有图像的784维特征纵向拼接为(样本总数量, 784)形状的二维数组，即可直接传入predict接口，无需逐个调整单样本维度。

内容的提问来源于stack exchange，提问作者IgBell