Keras多输入多输出模型报错：'list' object has no attribute 'ndim'

这个错误我之前在做多输出模型的时候也碰到过，大概率是模型编译或者数据输入的格式没对齐导致的，咱们一步步排查解决：

1. 先明确错误根源 #

这个报错说明Keras在处理某个对象时，把它当成了张量来访问ndim属性，但实际上这个对象是个列表。通常出现在模型输出结构定义错误或者训练数据输入格式不匹配这两种情况。

2. 排查模型输出与编译的匹配性 #

多输出模型的编译需要和输出结构对应，如果你定义了两个输出（main_output和aux_output），要确保编译时的损失参数也对应上：

正确的编译方式（二选一） #

• 用字典映射（推荐，可读性更高）：

  model.compile(optimizer='adam',
                loss={'main_output': 'mse', 'aux_output': 'mse'},
                loss_weights={'main_output': 1., 'aux_output': 0.2})
  

• 用列表对应（顺序要和模型outputs的顺序一致）：

  model.compile(optimizer='adam',
                loss=['mse', 'mse'],
                loss_weights=[1., 0.2])
  

如果你错误地把输出列表当成单个输出传入编译（比如只写了loss='mse'），Keras就会把整个输出列表当成待处理的张量，自然会触发'list' has no attribute 'ndim'的错误。

3. 检查训练数据的输入格式 #

多输入多输出模型的训练数据需要和模型的输入、输出结构严格对齐：

• 输入数据：如果模型有多个输入层，要传入输入数据的列表或字典，比如：

  # 列表形式（顺序和模型inputs一致）
  model.fit([title_data, extra_feature_data], [share_labels, like_labels], ...)
  # 字典形式（用输入层的name映射）
  model.fit({'title_input': title_data, 'feature_input': extra_feature_data}, 
            {'main_output': share_labels, 'aux_output': like_labels}, ...)
  

• 标签数据：同样要对应多输出，要么是和输出顺序一致的列表，要么是用输出层name映射的字典。如果标签传入的格式不对（比如把两个标签合并成一个列表传入），Keras就会把这个列表当成单个标签张量处理，引发错误。

4. 验证输出层的定义是否正确 #

确保你的main_output和aux_output都是单独的输出层张量，而不是列表。比如：

# 正确示例
main_output = Dense(1, name='main_output')(main_branch_last_layer)
aux_output = Dense(1, name='aux_output')(aux_branch_last_layer)
# 构建模型时传入输出列表
model = Model(inputs=[input1, input2], outputs=[main_output, aux_output])

如果不小心把输出层的结果打包成了错误的嵌套列表，也会导致后续处理时的类型错误。

5. 快速调试小技巧 #

可以在编译或训练前打印关键对象的类型，确认是否符合预期：

# 检查输出是否为张量
print(type(main_output), main_output.shape)
print(type(aux_output), aux_output.shape)
# 检查输入数据的形状
print(title_data.shape, extra_feature_data.shape)

正常情况下，输出应该是tensorflow.python.framework.ops.Tensor类型，输入数据应该是numpy数组或张量。

完整可运行示例 #

给你一个最小的正确示例，你可以对比自己的代码找差异：

from keras.layers import Input, Dense
from keras.models import Model
import numpy as np

# 定义输入层
title_input = Input(shape=(100,), name='title_input')  # 标题的词嵌入特征
feature_input = Input(shape=(15,), name='feature_input')  # 附加特征（如发布时间、作者权重等）

# 主分支：预测转发量
main_branch = Dense(64, activation='relu')(title_input)
main_branch = Dense(32, activation='relu')(main_branch)
main_output = Dense(1, name='main_output')(main_branch)

# 辅助分支：预测点赞量
aux_branch = Dense(32, activation='relu')(feature_input)
aux_output = Dense(1, name='aux_output')(aux_branch)

# 构建多输入多输出模型
model = Model(inputs=[title_input, feature_input], outputs=[main_output, aux_output])

# 编译模型
model.compile(optimizer='adam',
              loss={'main_output': 'mse', 'aux_output': 'mse'},
              loss_weights={'main_output': 1., 'aux_output': 0.3})

# 模拟训练数据
title_data = np.random.randn(1200, 100)
feature_data = np.random.randn(1200, 15)
share_counts = np.random.randn(1200, 1)  # 转发量标签
like_counts = np.random.randn(1200, 1)   # 点赞量标签

# 训练模型
model.fit({'title_input': title_data, 'feature_input': feature_data},
          {'main_output': share_counts, 'aux_output': like_counts},
          epochs=3, batch_size=64, validation_split=0.2)

按照上面的步骤排查，基本就能解决这个错误啦。

内容的提问来源于stack exchange，提问作者Hua Ye