使用LSTM训练Moving MNIST时遇符号张量转NumPy数组错误的解决方法

错误原因 #

你的代码存在两个核心问题，直接触发了该错误：

1. 输入维度不匹配：训练集x_train的形状为(900, 19, 4096)（对应样本数、时间步长、特征数），但第一个LSTM层的input_shape设为(x_train.shape[1], 1)，也就是(19,1)，和实际特征维度4096完全不符，导致TensorFlow内部处理符号张量时出现类型转换异常。
2. 输出层与标签维度不兼容：标签y_train形状是(900,19,4096)，但最后一层用了Dense(units=1)，输出维度和标签维度完全不匹配，进一步加剧了模型构建时的错误。

修复步骤 #

1. 修正LSTM输入形状 #

将第一个LSTM层的input_shape改为(x_train.shape[1], x_train.shape[2])，对应数据的时间步长和特征数：

regressor.add(LSTM(units=50, return_sequences=True, input_shape=(x_train.shape[1], x_train.shape[2])))

2. 匹配输出层与标签维度 #

根据任务类型调整输出层：

• 序列到序列任务（每个时间步输出4096维结果）：让最后一个LSTM层保持return_sequences=True，并用TimeDistributed包裹Dense层，确保每个时间步输出对应维度的结果：

  # 修改最后一个LSTM层
  regressor.add(LSTM(units=50, return_sequences=True))
  regressor.add(Dropout(0.2))
  # 用TimeDistributed适配序列输出
  regressor.add(TimeDistributed(Dense(units=4096)))
  

• 序列到向量任务（仅预测最后一个时间步的4096维结果）：先将y_train调整为(900, 4096)（取每个样本最后一个时间步的标签），再调整输出层：

  # 调整标签形状
  y_train = y_train[:, -1, :]
  # 输出层匹配特征维度
  regressor.add(Dense(units=4096))
  

完整修正代码示例 #

序列到序列任务版本 #

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM, Dropout, Dense, TimeDistributed

# 假设x_train形状为(900,19,4096)，y_train形状为(900,19,4096)
regressor = Sequential()
regressor.add(LSTM(units=50, return_sequences=True, input_shape=(x_train.shape[1], x_train.shape[2])))
regressor.add(Dropout(0.2))

regressor.add(LSTM(units=50, return_sequences=True))
regressor.add(Dropout(0.2))

regressor.add(LSTM(units=50, return_sequences=True))
regressor.add(Dropout(0.2))

regressor.add(LSTM(units=50, return_sequences=True))
regressor.add(Dropout(0.2))
regressor.add(TimeDistributed(Dense(units=4096)))

regressor.compile(optimizer='adam', loss='mean_squared_error')
regressor.fit(x_train, y_train, epochs=100, batch_size=32)

序列到向量任务版本 #

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM, Dropout, Dense

# 调整标签形状
y_train = y_train[:, -1, :]  # 形状变为(900,4096)

regressor = Sequential()
regressor.add(LSTM(units=50, return_sequences=True, input_shape=(x_train.shape[1], x_train.shape[2])))
regressor.add(Dropout(0.2))

regressor.add(LSTM(units=50, return_sequences=True))
regressor.add(Dropout(0.2))

regressor.add(LSTM(units=50, return_sequences=True))
regressor.add(Dropout(0.2))

regressor.add(LSTM(units=50))
regressor.add(Dropout(0.2))
regressor.add(Dense(units=4096))

regressor.compile(optimizer='adam', loss='mean_squared_error')
regressor.fit(x_train, y_train, epochs=100, batch_size=32)

内容的提问来源于stack exchange，提问作者Pepeeeee