Keras报错：期望dense_1_input具有2维，附推理代码求助

这个报错的核心问题很明确：你输入模型的测试图像维度，和模型训练时定义的输入维度不匹配——Dense层要求输入是2维张量（格式为(batch_size, feature_count)），但你当前传入的图像数据维度不符合这个要求。下面一步步帮你排查和解决：

第一步：确认模型的输入形状 #

先搞清楚你的模型到底期望什么样的输入。在加载模型后，打印输入层的形状：

print(model.input_shape)

输出结果会告诉你训练时模型接受的输入格式，比如：

• 如果是MLP（全连接）模型，可能是(None, 206580)——这里的206580就是313*220*3（宽×高×通道数），None代表batch size可以任意；
• 如果是CNN模型，可能是(None, 313, 220, 3)——这种情况下，Dense层之前应该有Flatten()层帮你把3维的图像张量转成2维特征张量，但你还是需要保证输入的是4维（带batch维度）。

第二步：修正测试图像的处理流程 #

你的代码里test_image=image.load_im...只写了一半，大概率是在图像预处理时漏掉了关键步骤。根据模型类型，调整代码：

情况1：MLP模型（输入是展平的一维特征） #

# 加载图像，必须指定target_size和训练时的图像尺寸一致
test_image = image.load_img("你的测试图片路径.jpg", target_size=(img_width, img_height))
# 将PIL图像转成numpy数组
test_image = image.img_to_array(test_image)
# 归一化（和训练时的预处理一致，比如训练时除以255就也要做这一步）
test_image = test_image / 255.0
# 展平图像并添加batch维度——转成(1, 313*220*3)的2维张量，1代表单张图片的batch
test_image = test_image.reshape(1, img_width * img_height * 3)

# 现在可以正常预测了
prediction = model.predict(test_image)

情况2：CNN模型（输入是4维图像张量） #

test_image = image.load_img("你的测试图片路径.jpg", target_size=(img_width, img_height))
test_image = image.img_to_array(test_image)
test_image = test_image / 255.0
# 只需要添加batch维度，转成(1, 313, 220, 3)的4维张量
test_image = np.expand_dims(test_image, axis=0)

prediction = model.predict(test_image)

常见错误点总结 #

• 忘记添加batch维度：Keras模型默认接受批量输入，哪怕你只传一张图片，也需要把形状从(313,220,3)改成(1,313,220,3)（CNN）或者(1, 313*220*3)（MLP）；
• 预处理和训练不一致：比如训练时做了归一化，测试时没做，不仅会报错，还会影响预测结果；
• 图像尺寸不匹配：加载图像时必须指定target_size和训练时的img_width, img_height完全一致，否则维度也会出错。

内容的提问来源于stack exchange，提问作者Jennifer95