为何我的Keras模型显示4个参数而非预期的2个？

嘿，我来帮你捋明白这个参数数量不符的问题～

首先得回忆下Keras里Dense层参数的计算逻辑：总参数数 = 输入特征数 × 输出单元数 + 偏置单元数。你用的是Dense(1)，输出单元数是1，偏置默认开启（加1个参数），所以如果输入特征数是1的话，总参数应该是1×1+1=2，这和你预期的一致。但现在显示4个参数，说明Keras推断你的输入特征数是3（3×1+1=4），这才是问题的核心！

那为什么会出现这种误判呢？大概率是下面这些原因：

• 旧模型缓存干扰：如果在同一个代码会话里，你之前运行过输入特征数为3的模型，Keras可能会保留之前的输入形状推断结果，没有彻底重置当前模型。这种情况在Jupyter Notebook或者反复运行脚本时特别常见。
• 输入形状推断出错：你代码里虽然定义X_train是(40,)的一维数组，还通过tf.expand_dims转成了(40,1)的二维数组，但如果Keras第一次调用模型（比如fit）时，读取到的输入形状不符合预期（比如不小心把X_train改成了(40,3)，或者expand_dims用错了轴），就会错误推断输入特征数。
• 未显式指定输入形状：你定义模型时没给Dense层加input_shape参数，Keras只能靠第一次输入的数据来“猜”输入特征数，一旦输入数据有问题，猜出来的结果自然就错了。

那怎么解决呢？给你两个简单靠谱的办法：

1. 显式指定输入形状
   在Dense层里明确写上input_shape=(1,)，强制模型按照输入特征数为1来构建，这样不管输入数据是什么样，参数都会是预期的2个：

   model = tf.keras.Sequential([
       tf.keras.layers.Dense(1, input_shape=(1,))
   ])
   

2. 清除旧模型缓存
   每次定义新模型前，加上tf.keras.backend.clear_session()，彻底清除之前的模型和变量缓存，避免旧模型的残留影响：

   import tensorflow as tf
   import numpy as np
   
   tf.keras.backend.clear_session()  # 先清缓存，再定义新模型
   
   # 生成数据、定义模型、编译训练的代码和之前一致
   X_train = np.random.rand(40)
   y_train = np.random.rand(40)
   
   model = tf.keras.Sequential([
       tf.keras.layers.Dense(1, input_shape=(1,))
   ])
   
   model.compile(loss=tf.keras.losses.mae,
                 optimizer=tf.keras.optimizers.SGD(),
                 metrics=["mae"])
   
   model.fit(tf.expand_dims(X_train, axis=-1), y_train, epochs=100)
   
   model.summary()
   

按照上面的方法修改后，你再看模型summary，参数就会变成预期的2个啦～

备注：内容来源于stack exchange，提问作者Yilmaz