训练LSTM处理一维数据时输入维度不兼容问题求助

LSTM层要求输入必须是3维张量，格式为 (样本数, 时间步长, 特征数)，你的问题核心是输入数据维度不符合要求，以下是具体解决步骤：

1. 明确数据维度需求 #

你的数据集参数：

• 样本数：3（3个独立数据点）
• 时间步长：1（每个数据点仅对应1个时间步的单特征数据）
• 特征数：1（仅使用1个特征）
  因此输入X的目标形状应为 (3, 1, 1)。

2. 正确重塑输入数据 #

你之前使用np.resize的方法存在逻辑错误：原始X是1维数组（形状为(3,)），不存在X.shape[1]这个维度，且resize会修改数据内容，应使用reshape仅调整维度（不修改原始数据）：

import numpy as np
# 原始输入数据
X = [3.13, 4.12, 9.12]
# 重塑为LSTM要求的3维张量：(样本数, 时间步长, 特征数)
X = np.array(X).reshape((-1, 1, 1))
# 标签转为numpy数组（适配Keras输入要求）
y = np.array([1, 0, 0])

这里-1表示让numpy自动计算该维度的大小（对应样本数3），最终X的形状为(3,1,1)，完全符合LSTM的输入要求。

3. 修正后的完整可运行代码 #

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM, Dense
from tensorflow.keras.optimizers import Adam
import numpy as np

# 数据预处理
X = [3.13, 4.12, 9.12]
y = [1, 0, 0]
X = np.array(X).reshape((-1, 1, 1))
y = np.array(y)

# 模型参数定义（示例值，可按需调整）
lstm_layer_size_1 = 32
lstm_layer_size_2 = 16
optimizer = Adam(learning_rate=0.001)
epochs = 50

# 模型构建与训练
model = Sequential()
model.add(LSTM(lstm_layer_size_1, activation='tanh', return_sequences=True, input_shape=(1, 1)))
model.add(LSTM(lstm_layer_size_2, activation='tanh'))
model.add(Dense(1, activation='sigmoid'))
model.compile(optimizer=optimizer, loss='binary_crossentropy', metrics=['accuracy'])

model.fit(X, y, batch_size=len(X), epochs=epochs, verbose=1)

错误原因说明 #

• 第一次报错expected ndim=3, found ndim=2：输入X是2维结构（比如(3,1)），不符合LSTM必须的3维输入要求。
• 第二次报错：np.resize(X,(X.shape[0],1,X.shape[1]))逻辑错误，原始X是1维数组，不存在X.shape[1]维度，导致重塑后的形状仍不满足要求。

内容的提问来源于stack exchange，提问作者M Germanos