TensorFlow Feature Column与输入数据形状不匹配问题求助

首先，形状不匹配的问题大多出在输入数据形状和feature_column定义的不匹配上，咱们一步步来排查和解决：

1. 先确认你的输入数据形状 #

这是最关键的第一步，很多时候问题根源就在数据本身。你可以在train_input_fn里先打印输入特征的形状：

def train_input_fn():
    with np.load(TRAIN_NN_FEATURES) as train:
        train_features = train['features']
        train_labels = train['labels']
        # 打印形状，确认每个样本的特征维度
        print(f"Train features shape: {train_features.shape}")
        # 你的目标是6010个输入，所以这里应该输出类似 (样本数, 6010)
        train_dataset = tf.data.Dataset.from_tensor_slices(
            ({'all_features': train_features}, train_labels)
        )
        # 后续的shuffle、batch等操作...
        return train_dataset

如果输出的形状不是(N, 6010)（N是样本数量），那你需要先调整数据：比如如果是(N,)或者(6010, N)，就得用reshape修正，比如train_features = train_features.reshape(-1, 6010)（但要确保数据逻辑正确，不要强行reshape）。

2. 检查tf.feature_column的定义 #

你用的是'all_features'这个特征键，对应的feature_column必须和输入样本的特征维度严格匹配。如果是6010维的数值特征，正确的定义应该是：

feature_columns = [
    tf.feature_column.numeric_column(
        key='all_features',
        shape=(6010,)  # 这里必须和每个样本的特征维度一致！
    )
]

⚠️ 注意：如果省略shape参数，numeric_column默认是shape=(1,)，也就是默认每个样本是1维特征，这肯定会和你的6010维输入冲突，直接导致形状不匹配错误。

3. 调试形状不匹配的实用技巧 #

• 用TensorFlow的调试断言：在input_fn里加入形状校验，提前发现问题：

  tf.debugging.assert_equal(
      tf.shape(train_features)[1],
      6010,
      message="输入特征的维度必须是6010！当前维度不符"
  )
  

• 在model_fn里打印特征形状：如果用自定义model_fn，拿到特征后先确认形状：

  def model_fn(features, labels, mode):
      # 打印收到的特征形状
      print(f"Received features shape: {tf.shape(features['all_features'])}")
      # 后续的模型构建逻辑...
  

4. 常见的错误场景排查 #

• 错误1：feature_column的shape设错（比如设成(1,)或者(6010, 1)），和输入数据的(6010,)不匹配；
• 错误2：输入数据的形状是(6010,)（单个样本）而不是(N, 6010)（多个样本），导致Dataset输出的特征形状不对；
• 错误3：batch操作后形状异常，比如如果batch大小设错，或者输入数据本身有样本维度不一致的情况。

先把这几步走一遍，应该能定位到形状不匹配的根源。如果还有具体的错误提示，可以把完整的报错信息贴出来，能更精准地解决问题～

内容的提问来源于stack exchange，提问作者cproctor