Bi-LSTM输出接入Conv1D报错：输入维度不匹配问题求助

错误根源 #

Conv1D 层要求输入必须是3维张量，形状为 (batch_size, timesteps, features)，但你的第二个Bi-LSTM因为设置了 return_sequences=False，输出是2维张量 (None, 128)（None 是batch维度，128是双向LSTM输出的特征数：64*2），维度不匹配导致报错。

两种可行修复方案 #

方案1：修改Bi-LSTM的返回模式（推荐）

如果业务逻辑允许保留时间步维度，直接将第二个Bi-LSTM的 return_sequences 改为 True，输出会保留时间步维度变成3维张量，可直接输入Conv1D：

def create_model(hp):
    inputs = Input(name='inputs',shape=[max_len])
    embedding_layer = Embedding(vocab_size, dimention, input_length=max_len)(inputs)
    bilstm_1 = Bidirectional(LSTM(128, return_sequences=True))(embedding_layer)
    dropout_1 = Dropout(0.5)(bilstm_1)
    # 修改return_sequences为True
    bilstm_2 = Bidirectional(LSTM(64, return_sequences=True))(dropout_1)
    dropout_2 = Dropout(0.5)(bilstm_2)
    print(bilstm_2.shape)  # 此时形状应为 (None, max_len, 128)
    
    conv_1 = Conv1D(
        filters=hp.Int('conv_1_filter', min_value=32, max_value=128, step=16),
        kernel_size=hp.Choice('convolution_1', values = [2,6])
    )(dropout_2)
    conv_1 = GlobalMaxPooling1D()(conv_1)

方案2：添加Reshape层适配维度

如果必须使用第二个Bi-LSTM的2维输出，通过Reshape层将其转换为3维张量，注意要保证时间步长度不小于Conv1D的kernel_size：
比如将2维张量(None,128)转为(None,128,1)（时间步为128，特征数为1），这样kernel_size=2或6都满足要求：

def create_model(hp):
    inputs = Input(name='inputs',shape=[max_len])
    embedding_layer = Embedding(vocab_size, dimention, input_length=max_len)(inputs)
    bilstm_1 = Bidirectional(LSTM(128, return_sequences=True))(embedding_layer)
    dropout_1 = Dropout(0.5)(bilstm_1)
    bilstm_2 = Bidirectional(LSTM(64, return_sequences=False))(dropout_1)
    dropout_2 = Dropout(0.5)(bilstm_2)
    # 添加Reshape层转换为3维
    reshaped = Reshape((128, 1))(dropout_2)
    print(reshaped.shape)  # 此时形状应为 (None, 128, 1)
    
    conv_1 = Conv1D(
        filters=hp.Int('conv_1_filter', min_value=32, max_value=128, step=16),
        kernel_size=hp.Choice('convolution_1', values = [2,6])
    )(reshaped)  # 输入改为reshaped
    conv_1 = GlobalMaxPooling1D()(conv_1)

你之前Reshape失败的可能原因 #

如果之前试过Reshape但没成功，大概率是维度顺序错误，比如写成Reshape((1,128))，此时时间步为1，而你的kernel_size选了2或6，会触发“时间步长度小于卷积核大小”的错误，所以要保证Reshape后的第一个非batch维度（时间步）≥kernel_size。

内容的提问来源于stack exchange，提问作者Blue Cheese