ConvLSTM1D输入维度不兼容求助：期望4维却得到3维

核心问题 #

ConvLSTM1D 层要求输入为4D张量（形状格式：(batch_size, timesteps, spatial_dim, channels) 或 (batch_size, timesteps, channels, spatial_dim)，取决于data_format参数），但你的输入是3D张量 (None, 300, 17)，维度不匹配导致报错。同时，堆叠ConvLSTM1D层时，若后续仍有同类型层，必须保留时间序列维度，否则下一层输入会再次出现维度不兼容问题。

修复步骤 #

1. 为输入添加额外维度 #

在输入层后添加ExpandDims层，将3D输入扩展为4D，满足ConvLSTM1D的输入要求：

input_layer = keras.layers.Input(input_shape)
# 新增通道维度，将shape从(300,17)变为(300,17,1)
x = keras.layers.ExpandDims(axis=-1)(input_layer)

2. 堆叠ConvLSTM1D时开启return_sequences=True #

除最后一层ConvLSTM1D外，前面所有同类型层必须设置return_sequences=True，保留时间序列维度供下一层使用：

convLSTM1 = keras.layers.ConvLSTM1D(
    filters=32, 
    kernel_size=sfreq, 
    strides=2, 
    padding="valid",
    return_sequences=True  # 新增参数，保留时间维度
)(x)

3. 修正语法错误 #

原代码中model. Summary()的大写S是语法错误，需改为model.summary()。

完整修复后的代码 #

def make_model(input_shape):
    input_layer = keras.layers.Input(input_shape)
    # 扩展维度，适配ConvLSTM1D的4D输入要求
    x = keras.layers.ExpandDims(axis=-1)(input_layer)

    convLSTM1 = keras.layers.ConvLSTM1D(
        filters=32, 
        kernel_size=sfreq, 
        strides=2, 
        padding="valid",
        return_sequences=True
    )(x)
    convLSTM1 = keras.layers.BatchNormalization()(convLSTM1)
    convLSTM1 = keras.layers.ReLU()(convLSTM1)

    convLSTM2 = keras.layers.ConvLSTM1D(
        filters=64, 
        kernel_size=sfreq, 
        strides=2,
        padding="valid",
        return_sequences=True
    )(convLSTM1)
    convLSTM2 = keras.layers.BatchNormalization()(convLSTM2)
    convLSTM2 = keras.layers.ReLU()(convLSTM2)

    convLSTM3 = keras.layers.ConvLSTM1D(
        filters=128, 
        kernel_size=sfreq, 
        strides=2,
        padding="valid"
    )(convLSTM2)
    convLSTM3 = keras.layers.BatchNormalization()(convLSTM3)
    convLSTM3 = keras.layers.ReLU()(convLSTM3)

    gap = keras.layers.GlobalAveragePooling1D()(convLSTM3)

    output_layer = keras.layers.Dense(num_classes, activation="softmax")(gap)

    return keras.models.Model(inputs=input_layer, outputs=output_layer)


model = make_model(input_shape=X_train.shape[1:])
model.summary()

额外说明 #

如果希望ConvLSTM3也保留时间维度，可给它添加return_sequences=True参数，GlobalAveragePooling1D会自动在时间维度上完成池化，不影响后续全连接层的运行。

内容的提问来源于stack exchange，提问作者Jolly Ehiabhi