条件GAN时间序列预测：LSTM生成器噪声与输入拼接问题求助

报错原因分析 #

你遇到的RuntimeError是因为噪声张量的维度扩展逻辑错误：

• noise.unsqueeze(1)将形状[16,32]的噪声转为[16,1,32]
• 后续expand(-1, self.time_steps, self.output_dim)试图把第三维度从32改成1，这在PyTorch中不允许（非单元素维度不能直接强制修改尺寸）
• 另外你选择在dim=1（时间步维度）拼接X和噪声，这会导致时间步长度从10变成11，不符合LSTM对输入序列结构的要求，正确的拼接维度应该是特征维度（dim=2）

正确的噪声拼接方式与代码修正 #

合理的拼接逻辑是：将噪声扩展为与输入时间序列相同的时间步长度，然后在特征维度拼接，让每个时间步都包含原始特征+噪声特征，这样既保留历史时间序列信息，又注入GAN所需的随机性。

修改后的完整代码如下：

import torch
import torch.nn as nn

class Generator_LSTM_LEVY(nn.Module):
    def __init__(self, hidden_dim, feature_no, time_steps, noise_size, layer_dim=1):
        super().__init__()
        self.hidden_dim = hidden_dim
        self.time_steps = time_steps
        self.feature_no = feature_no
        self.noise_size = noise_size
        self.layer_dim = layer_dim
        
        # LSTM输入维度 = 原始特征数 + 噪声维度
        self.lstm = nn.LSTM(
            input_size=feature_no + noise_size,
            hidden_size=hidden_dim,
            num_layers=layer_dim,
            batch_first=True,
            bidirectional=True
        )
        # 最终输出层：将LSTM输出映射为次日黄金价格预测（形状[batch_size,1]）
        self.fc = nn.Linear(hidden_dim * 2, 1)  # 双向LSTM输出维度是2*hidden_dim

    def forward(self, x, noise): 
        # x shape: [batch_size, time_steps, feature_no] = [16,10,2]
        # noise shape: [batch_size, noise_size] = [16,32]
        
        # 扩展噪声维度：[16,32] -> [16,1,32] -> [16,10,32]
        noise_exp = noise.unsqueeze(1).expand(-1, self.time_steps, self.noise_size)
        # 在特征维度拼接x和噪声，得到[16,10,2+32=34]
        x_n = torch.cat((x, noise_exp), dim=2)  

        # LSTM前向传播，无需手动初始化h0/c0，PyTorch会自动初始化全零隐藏状态
        out, _ = self.lstm(x_n)

        # 取最后一个时间步的输出：[16,10,2*hidden_dim] -> [16,2*hidden_dim]
        out = out[:, -1, :]
        # 映射为最终预测值：[16,2*hidden_dim] -> [16,1]
        pred = self.fc(out)
        return pred

关键修正点说明 #

1. 维度扩展修正：用expand(-1, self.time_steps, self.noise_size)代替错误的尺寸修改，保持噪声维度不变，仅扩展时间步长度，确保张量形状匹配
2. 拼接维度修正：选择dim=2（特征维度）拼接，输入LSTM的张量形状保持[batch_size, time_steps, total_features]，符合LSTM的输入要求
3. 初始化参数补全：在__init__中明确传入noise_size和layer_dim，避免未定义变量的问题；双向LSTM的输出维度是2倍hidden_dim，全连接层需对应调整
4. 隐藏状态处理：无需手动创建h0和c0，PyTorch会自动为每个batch初始化全零的隐藏状态，简化代码

拼接方式的合理性说明 #

将噪声与每个时间步的特征拼接是时间序列GAN中常用的策略：

• 每个时间步都注入噪声，让生成器能基于相同的历史序列生成多种合理的预测结果，符合GAN的多样性要求
• 保留原始时间序列的时序结构，LSTM仍能学习历史数据的时间依赖关系，不会破坏时间序列的特性

内容的提问来源于stack exchange，提问作者Mouna Ahmen