使用Keras训练避障虚拟小车时遭遇张量维度不匹配错误

首先，先把你遇到的问题和代码整理出来：

错误信息：两个形状的第1维度必须相等，但当前为128和164，形状分别为[8,128]和[8,164]。

你的相关代码：

from flat_game import carmunk
import numpy as np
from nn import neural_net
NUM_SENSORS = 8

def play(model):
    car_distance = 0
    game_state = carmunk.GameState(display_hidden=False)
    # Do nothing to get initial.
    _, state = game_state.frame_step((2))
    # Move.
    while True:
        car_distance += 1
        # Choose action.
        action = (np.argmax(model.predict(state, batch_size=1)))
        # Take action.
        _, state = game_state.frame_step(action)
        # 原代码此处截断

问题根源分析 #

这个错误本质是数据维度和模型的输入/输出维度不匹配。从错误里的形状[8,128]和[8,164]来看：

• 第一个8是批量大小（batch size），第二个数字是特征/输出的维度数
• 你的模型期望处理的维度是128，但实际传入的数据维度是164，或者反过来，导致计算时无法对齐。结合你代码里model.predict(state)的调用，大概率是输入的state特征数和模型输入层的定义不一致。

具体修复步骤 #

1. 检查模型输入层的定义
   打开nn.py里的neural_net函数，确认输入层的形状是否和你定义的NUM_SENSORS=8一致？比如如果输入层写的是Input(shape=(128,))，但实际state是8维或者164维，就会触发这个错误。务必让输入层的形状和state的特征数完全匹配。

2. 确认state的实际维度
   在代码里加一行打印，看看frame_step返回的state到底是几维：

   _, state = game_state.frame_step((2))
   print("初始state形状:", state.shape)  # 添加这行调试
   

   运行后如果输出是(8,)，那模型输入层应该设为(8,)；如果是(164,)，你要么修改模型输入层为164，要么调整carmunk.GameState里生成state的逻辑，让它返回8维特征（对应你设定的NUM_SENSORS）。

3. 处理批量维度的问题
   Keras的predict方法默认需要批量输入（形状为(batch_size, features)）。如果你的state是一维数组（比如(8,)），需要先扩展维度变成(1,8)，这样模型才能正确识别：

   # 修改predict的调用方式
   action = np.argmax(model.predict(np.expand_dims(state, axis=0), batch_size=1))
   

4. 验证输出层与动作空间匹配
   另外要确保模型输出层的神经元数量和你的小车动作数量一致。比如如果小车有3种动作（前进、左转、右转），输出层应该是Dense(3, activation='softmax')，这样np.argmax才能正确拿到对应的动作索引。

内容的提问来源于stack exchange，提问作者Kevin Tieu