TensorFlow训练评估正常但预测报错ValueError: Feature (key: c1) cannot have rank 0求助

这个问题我之前帮同行排查过类似的，结合你说的训练评估都正常、只有预测输入函数不同的情况，大概率是预测输入的特征维度和模型期望不匹配，具体可以从这几个方向排查：

• 预测输入函数返回的特征是标量（rank 0），而模型期望至少是rank 1的张量
  训练和评估阶段，你的输入函数应该是批量读取数据，每个特征都是形状为[batch_size]的一维张量（比如一批样本的c1值是[1,2,3]），完全符合模型要求。但预测时如果直接传入单个标量值（比如{'c1': 5}），没有用列表/数组包裹，就会生成rank 0的标量张量，触发这个错误。
  举个例子，错误的预测输入写法：

  def predict_input_fn():
      return {'c1': 10}  # 直接返回标量，rank=0
  

  正确的写法应该把单个值包装成一维数组：

  def predict_input_fn():
      return {'c1': [10]}  # 返回一维数组，rank=1
  

• 预测输入函数的特征处理逻辑和训练/评估不一致
  比如训练时你给特征做了维度扩展（比如用tf.expand_dims把单个样本的特征转成一维张量），但预测时漏了这一步；或者训练时用tf.convert_to_tensor([x])处理特征，预测时却直接用tf.convert_to_tensor(x)，导致生成了标量张量。

• 特征列的定义和预测输入的维度不匹配
  比如你在模型里定义的c1是tf.feature_column.numeric_column这类默认期望一维输入的特征列，它要求输入的张量至少是rank 1（对应单个或多个样本的特征值），而你预测时传入的是rank 0的标量，自然会报错。

• 预测时的数据集构造方式有误
  如果用tf.data.Dataset构造预测数据，要注意不要传入标量作为切片源。比如错误的写法：

  def predict_input_fn():
      dataset = tf.data.Dataset.from_tensor_slices({'c1': 5})
      return dataset.batch(1)
  

  这里from_tensor_slices会把标量5切分成单个标量元素，即使batch后也还是rank 0的张量。正确的做法是传入一维数组：

  def predict_input_fn():
      dataset = tf.data.Dataset.from_tensor_slices({'c1': [5]})
      return dataset.batch(1)
  

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