LSTM-Autoencoder处理13特征时间序列时形状不匹配报错求助

报错RuntimeError: shape '[1, 13, 13]' is invalid for input of size 13源于模型中两处形状处理的硬编码错误，原代码仅适配单特征输入，多特征场景下形状逻辑完全混乱。以下是具体修正步骤：

1. 核心错误点 #

• Encoder返回形状错误：原代码将LSTM最后一层的隐藏状态hidden_n强制reshape为(self.n_features, self.embedding_dim)，但hidden_n实际形状为(num_layers, batch_size, embedding_dim)，总元素数与目标形状不匹配。
• Decoder输入处理错误：原代码用x.repeat(self.seq_len, self.n_features)放大张量，是单特征场景下的不合理逻辑，多特征时会导致后续reshape的元素数严重失衡。

2. 修正后的模型代码 #

Encoder类修正 #

class Encoder(nn.Module):
    def __init__(self, seq_len, n_features, embedding_dim=64):
        super(Encoder, self).__init__()
        self.seq_len, self.n_features = seq_len, n_features
        self.embedding_dim, self.hidden_dim = embedding_dim, 2 * embedding_dim

        self.rnn1 = nn.LSTM(
            input_size=n_features,
            hidden_size=self.hidden_dim,
            num_layers=1,
            batch_first=True
        )
        
        self.rnn2 = nn.LSTM(
            input_size=self.hidden_dim,
            hidden_size=embedding_dim,
            num_layers=1,
            batch_first=True
        )

    def forward(self, x):
        # 自动适配单样本/批量样本输入：将(seq_len, n_features)转为(1, seq_len, n_features)
        if len(x.shape) == 2:
            x = x.unsqueeze(0)
        
        x, (_, _) = self.rnn1(x)
        x, (hidden_n, _) = self.rnn2(x)
        
        # 移除LSTM的num_layers维度，返回(batch_size, embedding_dim)
        return hidden_n.squeeze(0)

Decoder类修正 #

class Decoder(nn.Module):
    def __init__(self, seq_len, input_dim=64, n_features=1):
        super(Decoder, self).__init__()
        self.seq_len, self.input_dim = seq_len, input_dim
        self.hidden_dim, self.n_features = 2 * input_dim, n_features

        self.rnn1 = nn.LSTM(
            input_size=input_dim,
            hidden_size=input_dim,
            num_layers=1,
            batch_first=True
        )

        self.rnn2 = nn.LSTM(
            input_size=input_dim,
            hidden_size=self.hidden_dim,
            num_layers=1,
            batch_first=True
        )

        self.output_layer = nn.Linear(self.hidden_dim, n_features)

    def forward(self, x):
        # 将(batch_size, embedding_dim)转为LSTM输入格式：(batch_size, seq_len, embedding_dim)
        x = x.unsqueeze(1).repeat(1, self.seq_len, 1)
        
        x, (_, _) = self.rnn1(x)
        x, (_, _) = self.rnn2(x)
        
        # 对每个时间步的输出做特征映射，最终输出(batch_size, seq_len, n_features)
        return self.output_layer(x)

RecurrentAutoencoder类无需修改 #

保持原类结构即可，它会自动调用修正后的Encoder和Decoder。

3. 输入数据适配 #

确保训练数据集的样本形状为(seq_len, n_features)：

• 若你的单样本是(13,)（对应seq_len=1），需在Dataset的__getitem__中reshape：

  def __getitem__(self, idx):
      x = self.data[idx]
      return x.reshape(1, self.n_features)  # 转为(1,13)
  

内容的提问来源于stack exchange，提问作者Bogdan Minko