Keras多输入模型预测时输入形状不匹配报错求助

嘿，这个问题我之前也踩过坑！核心原因其实很直白：Keras的predict方法要求输入必须是带批量维度的二维数组，哪怕你只预测单个样本也不能打破这个规则。

你看，你定义的aux_input形状是(162,)，这指的是单个样本的特征数，但模型实际期望的输入形状是(None, 162)（None代表可变的批量大小）。而你现在的aux_dummy是(162,)的一维数组，Keras会把它错误地解析成「批量大小为162，每个样本只有1个特征」的输入，这就和模型要求的(162,)单样本特征数完全对不上了，所以才会报那个形状不匹配的错误。

解决步骤 #

1. 给输入数组增加批量维度
   把你的aux_dummy从一维转成二维，让它的形状变成(1, 162)，有两种简单方法：

   # 方法1：用np.expand_dims新增维度
   aux_dummy = np.expand_dims(np.zeros(shape=(AUX_FEATURE_VECTOR_SIZE,)), axis=0)
   # 方法2：用reshape直接调整
   aux_dummy = np.zeros(shape=(AUX_FEATURE_VECTOR_SIZE,)).reshape(1, -1)
   

2. 检查另一个输入的形状
   同样要确保encode_1_hot(next_state)的输出也是二维数组（形状为(1, 54)），如果它现在是一维的，也要用同样的方法增加维度。

修改后的完整预测代码 #

aux_dummy = np.zeros(shape=(AUX_FEATURE_VECTOR_SIZE,)).reshape(1, -1)
print(aux_dummy.shape)  # 现在输出应该是(1, 162)
# 确保encode_1_hot的输出也是二维
encoded_state = encode_1_hot(next_state).reshape(1, -1)
q_vals, _ = model.predict([encoded_state, aux_dummy], batch_size=1)

补充说明 #

Keras输入层定义的shape参数只描述单个样本的特征形状，模型在运行时会自动在前面加上批量维度。所以不管是训练还是预测，输入都得是(批量大小, 特征数)的二维数组，一维数组会被Keras误解维度含义，从而触发形状不匹配的错误。

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