我有一个数据集，由432个批次组成，每个批次包含24个点。整个数据集的形状为：(432, 24)

举个例子，这是一个批次：

array([917,  15, 829,  87, 693,  71, 627, 359, 770, 303, 667, 367, 754,       359, 532,  39, 683, 407, 333, 551, 516,  31, 675,  39])

形状为 (24,)

我用这些信息来训练Keras模型，没有问题。当我尝试用相同形状(24,)的新数据进行预测时：

array([176,  71, 152,  63, 200,  71, 120,  87, 128,  87, 216, 103, 248,       126, 144, 150, 128, 206, 192, 206, 112, 277, 216, 269])

我的模型如下：

  model = keras.Sequential([        keras.layers.Flatten(batch_input_shape=(None,24)),        keras.layers.Dense(64, activation=tf.nn.relu),        keras.layers.Dense(2, activation=tf.nn.sigmoid),    ])  model.compile(optimizer='adam',                loss=tf.losses.categorical_crossentropy,                metrics=['accuracy'])

引发的错误是：

ValueError: Input 0 of layer dense_24 is incompatible with the layer: expected axis -1 of input shape to have value 24 but received input with shape (None, 1)

回答：

可以尝试为你的数据样本增加一个维度，然后将你的new_data输入模型进行预测：

import numpy as npnew_data= np.array([176,  71, 152,  63, 200,  71, 120,  87, 128,  87, 216, 103, 248,       126, 144, 150, 128, 206, 192, 206, 112, 277, 216, 269])new_data= np.expand_dims(new_data, axis=0)prediction = model.predict(new_data)print(prediction)