TensorFlow报错：无法为形状(?,2)的Tensor输入形状(4,1)的值

这个问题我太熟悉了——就是典型的输入数据形状和占位符定义不匹配导致的报错，咱们一步步拆解解决：

报错根源 #

你定义的inputs占位符形状是[None, 2]，意思是「任意数量的样本，每个样本必须包含2个特征」；但你传入的inp数组形状是(4,1)（4个样本，每个只有1个特征），TensorFlow找不到匹配的维度，直接就抛出ValueError了，报错行的feed_dict就是问题触发点。

解决方案步骤 #

1. 修正输入数据的形状 #

你的输入必须是每个样本对应2个特征，所以把inp调整成4行2列的结构就行，比如根据你的实际业务需求填充每个样本的两个特征值：

inp = [[0.1, 0.2], [0.3, 0.4], [1.0, 0.5], [1.1, 0.6]]  # 示例数据，按需替换
out = [[0], [1], [1], [0]]
inp = np.array(inp)
out = np.array(out)

此时inp的形状就变成了(4,2)，完美匹配占位符[None,2]的要求。

2. 修复测试阶段的会话问题 #

你的代码里还有个容易忽略的小坑：测试阶段重新创建了一个全新的tf.Session()，还在新会话里重复训练了一遍——这不仅浪费资源，还会导致之前训练好的参数完全丢失，测试用的是全新初始化的参数，根本不是你训练好的模型。

正确的做法是把训练和测试放在同一个会话中，复用训练好的参数。

完整修正后的可运行代码 #

import tensorflow as tf
import numpy as np

# 占位符定义（保持原逻辑，形状[None,2]对应每个样本2个特征）
inputs = tf.placeholder('float', [None, 2], name='input')
targets = tf.placeholder('float', name='Target')

# 隐藏层参数
weight1 = tf.Variable(tf.random_normal(shape=[2, 3], stddev=0.02), name='Weight1')
biases1 = tf.Variable(tf.random_normal(shape=[3], stddev=0.02), name='Biases1')

# 隐藏层计算+激活函数
hlayer = tf.matmul(inputs, weight1) + biases1
hlayer = tf.sigmoid(hlayer, name='hAtivador')

# 输出层参数
weight2 = tf.Variable(tf.random_normal(shape=[3, 1], stddev=0.02), name='Weight2')
biases2 = tf.Variable(tf.random_normal(shape=[1], stddev=0.02), name='Biases2')

# 输出层计算+激活函数
output = tf.matmul(hlayer, weight2) + biases2
output = tf.sigmoid(output, name='outActivation')

# 损失函数与优化器
cost = tf.squared_difference(targets, output)
cost = tf.reduce_mean(cost)
optimizer = tf.train.AdamOptimizer().minimize(cost)

# 修正后的输入数据（每个样本2个特征）
inp = [[0.1, 0.2], [0.3, 0.4], [1.0, 0.5], [1.1, 0.6]]
out = [[0], [1], [1], [0]]
inp = np.array(inp)
out = np.array(out)

# 训练+测试共用一个会话
epochs = 4000
with tf.Session() as sess:
    tf.global_variables_initializer().run()
    
    # 训练循环（优化打印逻辑，避免刷屏）
    for i in range(epochs):
        error, _ = sess.run([cost, optimizer], feed_dict={inputs: inp, targets: out})
        if i % 500 == 0:
            print(f"Epoch {i:4d} | 训练误差: {error:.4f}")
    
    # 交互式测试（增加输入合法性检查）
    print("\n训练完成，开始测试：")
    while True:
        try:
            a = float(input("第一个输入值: "))
            b = float(input("第二个输入值: "))
            test_input = np.array([[a, b]])
            prediction = sess.run(output, feed_dict={inputs: test_input})
            print(f"预测结果: {prediction[0][0]:.4f}\n")
        except ValueError:
            print("请输入有效的数字！\n")
            continue
        except KeyboardInterrupt:
            print("\n程序已终止")
            break

额外优化说明 #

• 调整了训练误差的打印频率，每500轮打印一次，避免控制台被大量日志刷屏；
• 测试阶段增加了输入合法性检查，防止用户输入非数字内容导致程序崩溃；
• 把训练和测试逻辑合并到同一个会话中，确保测试使用的是训练好的模型参数。

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