使用Keras函数式API构建1D卷积分类模型时遇输入错误求助

嘿，我来帮你捋捋这个问题～你遇到的TypeError: unhashable type: 'numpy.ndarray'其实是两个关键错误导致的，咱们一步步来修正：

核心错误点拆解 #

• Input层的形状定义错了：Keras里Input的shape参数只需要描述单个样本的结构，不需要包含总样本数（70408）。你的每个输入是长度为1400的序列，所以应该写shape=(1400,)，而不是(samples, mass_size)。
• Model构造时传错了参数：Model类的第一个参数得是你定义好的Input层对象（mass_input和intensity_input），而不是直接传训练数据数组（mass_data和intensity_data）——这就是你报错的直接原因。

修正后的完整代码 #

import tensorflow as tf
from tensorflow.keras.layers import Input, Conv1D, AveragePooling1D, GlobalAveragePooling1D, concatenate, Dense
from tensorflow.keras.models import Model

samples = 70408 
mass_size = 1400 
intensity_size = 1400 
output_size = 16450 

# 修正Input的shape：只保留单个样本的维度
mass_input = Input(shape=(mass_size,), dtype='float32') 
mass_net = Conv1D(32, 5, activation='relu')(mass_input)
mass_net = AveragePooling1D(3)(mass_net)
mass_net = Conv1D(16, 5, activation='relu')(mass_net)
mass_net = GlobalAveragePooling1D()(mass_net)

intensity_input = Input(shape=(intensity_size,), dtype='float32') 
intensity_net = Conv1D(32, 5, activation='relu')(intensity_input)
intensity_net = AveragePooling1D(3)(intensity_net)
intensity_net = Conv1D(16, 5, activation='relu')(intensity_net)
intensity_net = GlobalAveragePooling1D()(intensity_net)

concatenated = concatenate([mass_net, intensity_net], axis=-1)
output = Dense(output_size, activation='softmax')(concatenated)

# 修正Model的输入参数：传入Input层，而非数据数组
model = Model([mass_input, intensity_input], output) 

model.compile(optimizer='rmsprop', loss='categorical_crossentropy', metrics=['acc'])

# 先确认数据形状没问题
print(mass_data.shape, intensity_data.shape)
# 训练时再传入数据数组
model.fit([mass_data, intensity_data], y_train, epochs=10, batch_size=128)

额外提几个小建议 #

1. 类别数过大的优化：16450个类别用softmax+categorical_crossentropy会很吃内存，而且容易数值不稳定。建议改用sparse_categorical_crossentropy，这样不需要把y_train转成独热编码，能省不少资源。
2. 数据预处理：记得把输入序列做标准化/归一化（比如缩到0-1区间，或者做Z-score标准化），这对卷积网络的训练效果影响很大。
3. 防过拟合：如果后续出现过拟合，可以考虑加Dropout层，或者调整卷积层的过滤器数量、核大小。

内容的提问来源于stack exchange，提问作者A Kwon