CNN-LSTM模型训练报错：输入形状不兼容问题求助

问题根源 #

你的输入数据shape为(9219, 7, 7, 12)，但模型第一层Conv1D期望的输入格式是(None, 7, 84)：

• None：自动匹配的样本数量
• 7：序列长度
• 84：每个序列步的特征数（即7*12，对应原始数据中每个序列步的7x12图像展平后的维度）

解决方案 #

1. 重塑输入数据格式

将每个序列步的二维图像展平为一维特征向量，代码如下：

# 重塑训练集
train_x = train_x.reshape(train_x.shape[0], train_x.shape[1], train_x.shape[2] * train_x.shape[3])
# 如果有验证集，同样处理
# val_x = val_x.reshape(val_x.shape[0], val_x.shape[1], val_x.shape[2] * val_x.shape[3])

处理后train_x的shape变为(9219, 7, 84)，与模型期望的输入格式匹配。

2. 修正model.fit参数错误

你的代码中误写为model.fit(train_x.shape[1], train_y, epochs=20)，需要改为传入训练数据train_x：

model.fit(train_x, train_y, epochs=20)

完整修正后的代码 #

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv1D, LSTM, MaxPooling1D, Dense
from tensorflow.keras.optimizers import Adam

# 重塑输入数据
train_x = train_x.reshape(train_x.shape[0], train_x.shape[1], train_x.shape[2] * train_x.shape[3])

# 构建模型
model = Sequential()
model.add(Conv1D(32, 4, activation='relu', padding='same', input_shape=(train_x.shape[1], train_x.shape[2])))
model.add(LSTM(32, return_sequences=True))
model.add(MaxPooling1D(2))
model.add(Conv1D(16, 8, activation="relu", padding='same'))
model.add(LSTM(64, return_sequences=True))
model.add(MaxPooling1D(2))
model.add(Conv1D(16, 8, activation="relu", padding='same'))
model.add(LSTM(128))
model.add(Dense(3, activation='sigmoid'))

# 编译模型
model.compile(optimizer=Adam(learning_rate=0.001),
              loss='binary_crossentropy',
              metrics=['accuracy'])

print(model.summary())
# 训练模型
model.fit(train_x, train_y, epochs=20)

补充说明 #

Conv1D层专门用于处理序列数据，要求输入格式为**(样本数, 序列长度, 特征维度)**。如果你想保留图像的空间结构，可以考虑先用Conv2D提取图像特征，再将特征传入LSTM层，这种架构也适合图像序列任务。

内容的提问来源于stack exchange，提问作者Hadi Emami