DSX部署单多项式线性回归至WML服务POST请求遇维度错误

我之前也碰到过一模一样的坑！这个报错的核心原因其实很清晰：你用的线性回归模型（大概率是scikit-learn的实现）要求输入必须是二维数组，本地笔记本测试时的“容错”让你没注意到这点，但部署成WML Web服务后，服务端的输入解析更严格，直接触发了维度校验。

为什么本地没问题，部署后就报错？ #

• 在DSX笔记本里测试时，如果你写类似model.predict([5])或者model.predict(np.array([5]))，scikit-learn会针对单变量模型自动做维度兼容，悄悄把一维数组转成二维（形状从(1,)变成(1,1)），所以不会报错。
• 但部署到WML服务后，请求里的输入数据会被直接传给模型的predict方法，如果你发送的是一维格式（比如{"input_data": [{"values": [5]}]}），模型就会抛出Expected 2D array, got 1D array instead的错误——因为它期望的输入形状是(样本数, 特征数)，这里特征数是1，每个样本都得是一个长度为1的数组。

两种快速解决方法 #

1. 调整POST请求的输入格式

把每个输入值包裹在一个子数组里，让整体变成二维结构。比如：
错误格式：

{"input_data": [{"values": [5, 6, 7]}]}

正确格式：

{"input_data": [{"values": [[5], [6], [7]]}]}

这样输入的形状就是(3,1)，完美匹配模型的要求。

2. 在模型部署代码里添加维度转换逻辑

如果你不想每次请求都改格式，可以在预测函数里强制把输入转成二维数组。比如在部署前的模型封装代码里加上：

import numpy as np

def predict(input_data):
    # 提取输入值并转换为二维数组，-1表示自动计算样本数
    X = np.array(input_data["input_data"][0]["values"]).reshape(-1, 1)
    # 执行预测并转成列表返回
    predictions = model.predict(X).tolist()
    return {"predictions": [{"values": predictions}]}

这样不管请求传的是一维还是二维数据，都会被转换成正确的形状，彻底避免维度报错。

本地验证小技巧 #

你可以在笔记本里模拟服务端的严格场景，比如直接传一维数组：

import numpy as np
model.predict(np.array([5]))  # 这时候应该会触发同样的报错
# 转换后就正常了
model.predict(np.array([5]).reshape(-1,1))

这和你部署后调整维度解决问题的思路完全一致，能帮你快速验证方案是否有效。

内容的提问来源于stack exchange，提问作者user3540644