如何构建CNN-LSTM混合架构？解决训练形状不匹配问题

错误根源 #

你遇到的报错并非模型架构形状不匹配，而是训练数据集train_dataset中存在序列长度不一致的样本——部分样本长度为96，另一部分为78，导致批量加载时无法拼接成统一形状的batch，触发形状不匹配错误。

分步解决 #

1. 修复数据集样本长度一致性 #

先确保所有训练样本的序列长度均为96：

• 如果是手动构建tf.data.Dataset，过滤掉长度不符合要求的样本：

  train_dataset = train_dataset.filter(lambda x, y: tf.shape(x)[0] == 96)
  

• 如果是用timeseries_dataset_from_array生成时序数据，严格指定序列长度：

  train_dataset = tf.keras.utils.timeseries_dataset_from_array(
      data=your_input_data,
      targets=your_targets,
      sequence_length=96,  # 固定为你的数据集标准长度
      sequence_stride=1,
      batch_size=128
  )
  

2. 精简冗余的模型架构 #

原模型中LSTM(16)层输出的是(None, 16)形状的张量（None为batch维度），后续的Reshape((-1,16))完全多余，反而可能干扰后续层的输入形状，直接删除该层即可：

def create_model_architecture():
    model_cnn = tf.keras.models.Sequential([
        tf.keras.layers.Conv1D(filters=64,
                               kernel_size=3,
                               activation='relu',
                               input_shape=(96,2)),  # 明确输入形状为(序列长度,特征数)
        tf.keras.layers.MaxPooling1D(pool_size=2,strides=1, padding="same"),
        tf.keras.layers.Conv1D(filters=64,
                               kernel_size=3,
                               activation='relu'),
        tf.keras.layers.MaxPooling1D(pool_size=2,strides=1, padding="same"),    
        tf.keras.layers.Dropout(0.5),
        tf.keras.layers.LSTM(32, return_sequences=True),
        tf.keras.layers.LSTM(16),
        # 移除冗余的Reshape层
        tf.keras.layers.Dense(1, activation='sigmoid')
    ])
    return model_cnn

3. 验证数据集有效性 #

在训练前确认数据集样本形状统一：

for x, y in train_dataset.take(1):
    print(f"样本形状: {x.shape}")  # 应输出(128,96,2)（batch_size=128时）

完成以上步骤后即可正常启动200轮训练。

内容的提问来源于stack exchange，提问作者Nghiep