查张量形状应优先用.shape和.ndim而非print(x)，因后者易漏维度信息；Dense层仅支持二维输入，三维需reshape或TimeDistributed；维度不足时用expand_dims补batch维，reshape用-1需确保其余维乘积整除总元素数。
查形状别只靠 print(x)，要用 .shape 或 .ndim
直接 print(x) 看张量内容，容易漏掉关键维度信息——尤其是当值被截断或全是 0/1 时。真正反映结构的是 x.shape（返回 tf.TensorShape）和 x.ndim（返回整数）。比如：
import tensorflow as tf x = tf.random.normal((32, 50, 100)) print(x.shape) # 输出: (32, 50, 100) print(x.ndim) # 输出: 3
遇到报错前先加这两行，能立刻确认是否符合层的输入要求。注意：tf.TensorShape 对象不支持索引操作如 x.shape[0]（会报 TypeError: unhashable type: 'Dimension'），得用 int(x.shape[0]) 或 x.shape.as_list()[0]。
Dense 层报 InvalidArgumentError：不是权重错了，是它根本没想接三维输入
tf.keras.layers.Dense 默认只认二维张量：(batch_size, features)。传入三维张量如 (32, 50, 100)，它不会自动展平，而是把前 N-1 维压成 batch，最后一维当 feature，导致内部 reshape 成 (1600, 100) 再乘权重——但你的权重是 (100, 64)，于是崩在矩阵乘法上。
- 显式
tf.reshape是最可控的做法：tf.reshape(x, (-1, x.shape[-1]))→ 运算后再tf.reshape回原结构 - 用
tf.keras.layers.Flatten()更省心，但它会无差别拉平所有后缀维度，比如(32, 50, 100)变成(32, 5000)，可能破坏时序语义 - 若需保留时间步，改用
tf.keras.layers.TimeDistributed(Dense(...))，它会在每个 timestep 上独立应用 Dense
输入维度不够？np.expand_dims 和 tf.expand_dims 别混用
模型报 ValueError: expected input_1 to have 4 dimensions, but got array with shape (224, 224, 3)，说明你送进的是单张图（HWC），但模型要的是带 batch 维的 (1, 224, 224, 3)。
立即学习“Python免费学习笔记（深入）”；
- NumPy 数组用
np.expand_dims(img, axis=0)或img[np.newaxis, ...] - TensorFlow 张量用
tf.expand_dims(img, axis=0)—— 注意不要对 NumPy 数组误调tf.expand_dims，会隐式转 tensor 并可能触发 eager 模式警告 - 批量推理时，别手动循环调用
model(img[i:i+1])，改用model(tf.stack([img1, img2, ...]))，避免重复构建计算图
Reshape 后 shape 对不上？检查是否动了不可变维度
tf.reshape(x, (32, -1)) 看似方便，但若 x 实际 shape 是 (32, 50, 100)，那 -1 会算成 5000；可如果中间某步改变了 batch 大小（比如用了 tf.data.Dataset.batch(16)），再硬写 32 就会报 ValueError: cannot reshape array of size XXX into shape (32, Y)。
- 用
-1时，确保只有**一个**维度不确定，且其余维度乘积能整除总元素数 - 调试时打印
tf.size(x)和目标 shape 各维度乘积，比对是否相等 - 避免在
@tf.function内部用 Python 常量做 reshape（如batch_size = 32），应传入tf.Tensor类型参数或用tf.shape(x)[0]动态获取
维度问题从来不是“多一维少一维”那么简单，关键是每一层对输入的隐含契约——看清它、验证它、按契约给，比强行 reshape 更省时间。
