RNN模型报‘Input 0 of layer与层不兼容’错误的排查求助

错误核心原因 #

报错expected shape=(None, 90, 3), found shape=(None, 3)的本质问题：

• RNN层要求输入为3维张量：(批次大小, 时间步长, 特征数)
• 你的X_train是2维张量(样本数, 3)，缺少关键的「时间步」维度；同时input_shape里写的90无意义，既不匹配数据集规模，也和你定义的sequence_length=10矛盾
• 代码中定义了sequence_length=10但未用来构造时序样本，等于无效设置

具体修复步骤 #

1. 构造时序数据集 #

将2维特征数据转换为RNN需要的3维时序格式：用过去sequence_length个时间步的特征，预测当前目标值PDB。添加以下函数生成时序样本：

def create_sequences(data, target, sequence_length):
    X, y = [], []
    for i in range(len(data) - sequence_length):
        # 取连续sequence_length个时间步的特征
        X.append(data[i:i+sequence_length])
        # 取对应时间步的目标值
        y.append(target[i+sequence_length])
    return np.array(X), np.array(y)

用该函数处理训练、测试数据：

# 将DataFrame转为numpy数组
X_train_np = X_train.values
y_train_np = y_train.values
X_test_np = X_test.values
y_test_np = y_test.values

# 生成时序样本
X_train_seq, y_train_seq = create_sequences(X_train_np, y_train_np, sequence_length)
X_test_seq, y_test_seq = create_sequences(X_test_np, y_test_np, sequence_length)

2. 修正模型输入形状 #

将input_shape改为实际使用的时间步长和特征数，同时删除重复的编译代码：

model = Sequential()
# input_shape对应(时间步长, 特征数)，批次维度由框架自动处理（即None）
# 若当前RNN层后不再堆叠其他循环层，建议将return_sequences设为False，避免维度冗余
model.add(SimpleRNN(units=3, activation='relu', input_shape=(sequence_length, input_dim), return_sequences=False))

# 仅保留一次编译操作
adam = Adam(learning_rate=0.01)
model.compile(optimizer=adam, loss='mean_squared_error')

3. 用时序样本训练模型 #

传入构造好的时序数据启动训练：

model.fit(X_train_seq, y_train_seq, epochs=10, batch_size=30)

额外注意事项 #

• return_sequences=True仅在当前循环层后还堆叠其他循环层时需要开启，否则会导致输出维度冗余，引发后续层输入不兼容
• 构造时序样本后，有效样本数会变为原样本数 - sequence_length，若原数据集样本量过小，需适当调小sequence_length值

内容的提问来源于stack exchange，提问作者Alwan Rahmana Subian