Keras模型创建失败：输入维度不匹配问题求助

嘿，咱们来拆解下你碰到的这个错误：expected dense_67_input to have 2 dimensions, but got array with shape (3, 1, 36)。核心问题很明确——你的输入数据维度和模型第一层（Dense层）期望的维度对不上。

问题出在哪？ #

你现在的输入是个3维数组：(3, 1, 36)，咱们拆分下这个形状：

• 3：句子里包含的词数
• 1：完全多余的单维度（应该是你做独热编码时不小心多加上的）
• 36：独热编码的特征维度（你说词汇表是35个词，这里可能多了个未知词/占位符的维度？不管这个，先解决维度问题）

而Keras的Dense层默认只认2维输入：(样本数, 特征数)。要么是(3, 36)（3个词，每个词36维特征），要么你想把整句当一个样本的话，得把3个词的编码合并成一个特征向量。

具体解决办法 #

办法1：直接去掉多余的中间维度

输入里的1维度完全没必要，用numpy.squeeze()就能干掉它，把形状从(3,1,36)转成(3,36)：

import numpy as np

# 假设你的原始输入是x
x = np.array([[[0,0,...1]], [[0,0,...0]], [[0,1,...0]]])  # 形状(3,1,36)
x_processed = np.squeeze(x, axis=1)  # 去掉索引为1的维度，输出形状(3,36)

之后用x_processed喂给模型，就符合Dense层的要求了。

办法2：给模型加个Flatten层适配输入

要是不想改原始数据的形状，就在模型最开头加个Flatten()层，把3维输入压成2维：

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Flatten

model = Sequential()
model.add(Flatten(input_shape=(1, 36)))  # 把(1,36)的输入压成36维特征向量
model.add(Dense(64, activation='relu'))
# 后续加你需要的其他层就行

这样模型会自动处理3维输入，转换成Dense层能识别的格式。

办法3：从根源上调整独热编码的生成方式

干脆在生成独热编码时就别产生多余维度，直接生成(36,)的一维数组，而不是(1,36)的二维数组。比如用np.eye()生成编码时：

vocab_size = 36
# 假设当前词的索引是idx
one_hot = np.eye(vocab_size)[idx]  # 生成形状为(36,)的数组，而非(1,36)

这样3个词的编码组合起来就是(3,36)的2维数组，直接就能喂给模型。

额外小提示 #

如果你的目标是做文本分类，这种单个词独热编码的方式（属于Bag of Words的一种），通常会把整句的词向量做求和/平均，转成一个(36,)的向量作为单样本输入，这样模型输入形状就是(样本数, 36)，更符合常规文本分类模型的结构。比如：

# 把3个词的独热编码求和，得到整句的特征向量
sentence_vector = np.sum(x_processed, axis=0)  # 形状(36,)
# 如果是多个样本，最终形状就是(样本数, 36)

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