Python 为什么在拟合和预测模型时，密集层输入_形状存在差异？

我正在学习TF并尝试实现以下代码

window_size = 4
layer = tf.keras.layers.Dense(1, input_shape=(window_size,))
model = tf.keras.models.Sequential([layer])

model.compile(...)
model.fit(dataset,epochs=100,verbose=0)

所以在稠密（）层中，我的输入形状是（4，） 那为什么会这样呢

model.predict（np.array（[4,5,3,2]））

不工作？ 和

model.predict（np.array（[4,5,3,2]）[None]）

这有效吗？ 如果提到的输入_形状是（4），那么在预测为什么需要（1,4）时

谢谢

• input\u shape

  表示采样前的特征数量
• 我们使用小批量梯度下降训练，所以我们发送了一批 每次培训的样本（用批次大小表示）。从此 批次可能因机器规格和数据集而异， 我们没有在模型中使用修复它。更重要的是，模型架构确实如此 不取决于样本数量，而是取决于样本数量 每个样本的输入特征数

• model.predict（np.array（[4,5,3,2]））

  将不起作用，因为您预测的是每个特征的4个样本，但您的

  input\u shape

  每个样本有4个特征
• 您可以对大小为

  nx4

  的数据进行预测，其中

  n

  是样本数，每个样本具有

  4

  特征

---

@mujjiga，谢谢你的回复。这是否意味着我们必须始终发送BatchDataset进行培训？@您将始终分批进行培训/预测。假设您的数据大小为

100 x 4

，即4个特征中的每一个都有100个样本，并且您正在使用keras的

fit

方法，您将

批量大小设置为8。在内部，
fit
方法将一次传递8个样本。预测也是如此。如果您只有一个样品，请以shape
1 X 4
的形式发送。谢谢。请再问一个后续问题。我的数据集有两列，一列用于输入要素（X），一列用于标签（Y）。我将整个数据集传递给fit（）模型，其中没有提到什么是X，什么是Y。模型是如何解释的？@Neo你做错了。在
fit
内部，第一个参数是features
X
，第二个参数是label
Y
。检查文档我的方法也正确：根据文档：“如果x是dataset、generator或keras.utils.Sequence实例，则不应指定y（因为目标将从x获得）。”谢谢