使用LSTM模型预测音频情感时遇输入形状不匹配错误求助

核心问题分析 #

1. 批量维度缺失：Keras的predict方法要求输入必须包含批量维度（即第一个维度表示样本数量）。你的特征提取函数返回的是(40,1)的单样本数据，但模型期望输入形状为(None,40,1)（None对应批量大小）。
2. 模型不一致疑点：错误信息提到了conv_lstm2d层，但你定义的模型是普通LSTM。需确认加载的emotionModel和你训练时的模型结构完全一致，避免加载了其他错误模型。

修复步骤 #

1. 修正特征提取函数，补充批量维度 #

修改feature函数，在返回前增加批量维度：

def feature(filename):
    y, sr = librosa.load(filename, duration=3, offset=0.5)
    mfcc = np.mean(librosa.feature.mfcc(y=y, sr=sr, n_mfcc=40).T, axis=0)
    X = np.array(mfcc)
    X = np.expand_dims(X, -1)  # 形状变为(40,1)
    X = np.expand_dims(X, 0)   # 增加批量维度，形状变为(1,40,1)
    return X

2. 验证模型结构一致性 #

如果修改后仍报错，检查emotionModel是否是你训练时的模型：

• 打印模型结构确认：

print(emotionModel.summary())

• 确保加载模型时没有误加载其他包含ConvLSTM2D的模型文件，重新保存/加载正确的LSTM模型。

3. 验证输入形状匹配 #

调用predict前，打印特征形状确认：

def predict_emotion(file):
    ftr = feature(file)
    print(f"输入形状：{ftr.shape}")  # 应输出(1,40,1)
    prediction = emotionModel.predict(ftr)
    print(prediction)

补充说明 #

训练时的输入X形状应为(样本数,40,1)，如果训练时的输入形状不符合，也会导致模型期望的输入维度异常。可通过print(X.shape)确认训练数据的形状是否正确。

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