Bidirectional层输入维度不兼容：期望3维输入却得到2维求助

问题根源分析 #

你遇到的错误expected ndim=3, found ndim=2. Full shape received: (None, 32)，本质是双向LSTM层收到了2维输入，但它需要3维输入（格式为(batch_size, sequence_length, feature_dim)）。结合你的代码，最可能的原因有两个：

1. 文本向量化后的张量维度不符合预期，导致Embedding层输出异常；
2. 错误地对输入张量做了维度扩展，打乱了Embedding层的输出结构。

分步解决方案 #

1. 确认文本向量化的输出维度 #

首先检查vectorized_text的形状，确保它是2维张量（样本数 × 序列长度）：

print("Vectorized text shape:", vectorized_text.shape)

正常输出应该类似(num_samples, 1800)，其中1800是你设置的output_sequence_length。如果输出是(num_samples,)或者其他非2维格式，说明TextVectorization没有正确处理输入文本：

• 检查X.values是否为字符串数组（每个元素对应一个文本样本）；
• 确认output_sequence_length参数设置正确，没有被误修改。

2. 移除错误的维度扩展操作 #

你尝试的train = train.map(lambda x, y: (tf.expand_dims(x, axis=-1), y))是错误的——Embedding层期望输入是2维的(batch_size, sequence_length)，扩展维度后会变成3维(batch_size, sequence_length, 1)，导致Embedding层输出4维张量，反而让后续的LSTM层无法处理。直接删除这行代码即可。

3. 验证数据集的batch维度 #

检查训练集的batch输入形状，确保符合模型要求：

for x_batch, y_batch in train.take(1):
    print("Train batch x shape:", x_batch.shape)
    print("Train batch y shape:", y_batch.shape)

正常输出应该是(16, 1800)（batch_size=16，序列长度=1800）和对应标签的形状（比如多标签分类的(16, 6)）。

4. 修正测试输入的维度 #

你最后测试用的input_text是1维张量，输入模型前需要扩展为2维（添加batch维度）：

input_text = vectorizer('You freaking suck! I am going to hit you.')
input_text = tf.expand_dims(input_text, axis=0)  # 形状变为(1, 1800)
prediction = model.predict(input_text)

完整修正后的代码片段 #

vectorizer = TextVectorization(max_tokens=MAX_FEATURES,
                               output_sequence_length=1800,
                               output_mode='int')
vectorizer.adapt(X.values)
vectorized_text = vectorizer(X.values)
# 确认向量化后的维度
print("Vectorized text shape:", vectorized_text.shape)

dataset = tf.data.Dataset.from_tensor_slices((vectorized_text, y))
dataset = dataset.cache()
dataset = dataset.shuffle(160000)
dataset = dataset.batch(16)
dataset = dataset.prefetch(8)

train = dataset.take(int(len(dataset)*.7))
val = dataset.skip(int(len(dataset)*.7)).take(int(len(dataset)*.2))
test = dataset.skip(int(len(dataset)*.9)).take(int(len(dataset)*.1))

# 验证训练集batch维度
for x_batch, y_batch in train.take(1):
    print("Train batch x shape:", x_batch.shape)

model = Sequential()
model.add(Embedding(MAX_FEATURES+1, 32))
model.add(Bidirectional(LSTM(32, activation='tanh')))
model.add(Dense(128, activation='relu'))
model.add(Dense(256, activation='relu'))
model.add(Dense(128, activation='relu'))
model.add(Dense(6, activation='sigmoid'))

model.compile(loss='BinaryCrossentropy', optimizer='Adam')
model.summary()

history = model.fit(train, epochs=1, validation_data=val)

# 修正测试输入
input_text = vectorizer('You freaking suck! I am going to hit you.')
input_text = tf.expand_dims(input_text, axis=0)
prediction = model.predict(input_text)

内容的提问来源于stack exchange，提问作者moosecles