如何解决Embedding层与Conv2D层的维度不兼容问题？

错误原因 #

Embedding层输出的是3D张量，形状为 (None, 21, 9)（分别对应：批次大小、序列长度、嵌入维度），但Conv2D层要求输入必须是4D张量，格式为 (批次大小, 高度, 宽度, 通道数)，因此出现维度不匹配的报错。

两种修复方案 #

方案1：使用Reshape层添加通道维度

直接通过Reshape将3D张量转换为4D，新增的最后一维作为单通道（因为你的嵌入特征属于单通道输入）：

embeded_vector_size = 9
max_length = 21
vocab_size = len(labels)
model = Sequential()
model.add(Embedding(vocab_size, embeded_vector_size, input_length=max_length, name="embedding"))
# 添加Reshape层，扩展出通道维度（通道数设为1）
model.add(Reshape((max_length, embeded_vector_size, 1)))
model.add(Conv2D(filters=64, activation='relu', kernel_size=(10, 3)))

方案2：使用Lambda层扩展维度

借助tf.expand_dims在最后一维添加通道，写法更灵活：

import tensorflow as tf

embeded_vector_size = 9
max_length = 21
vocab_size = len(labels)
model = Sequential()
model.add(Embedding(vocab_size, embeded_vector_size, input_length=max_length, name="embedding"))
# 扩展最后一个维度作为通道
model.add(Lambda(lambda x: tf.expand_dims(x, axis=-1)))
model.add(Conv2D(filters=64, activation='relu', kernel_size=(10, 3)))

注意事项 #

• 不需要再给Conv2D指定input_shape，因为前一层的输出形状已经明确，Keras会自动推断。
• 这里将嵌入序列视为单通道的2D特征图（21×9的尺寸，1个通道），符合Conv2D的输入逻辑。

内容的提问来源于stack exchange，提问作者user19130978