如何对LSTM模型输出的指定维度取平均，将3维转为2维？

完全可以通过对输出的时间步维度（也就是形状中的第二个维度，对应timesteps=20）取平均来完成降维，这种方式能把序列维度的信息整合起来，适配你的2维目标数据。下面给出两种具体实现方式：

方法一：使用GlobalAveragePooling1D层 #

这是Keras专门为序列数据降维设计的层，会自动对时间步维度计算平均值，代码修改如下：

batch_sizes = 1
epochs = 2
timesteps = 20

inputs_1_mae = tf.keras.layers.Input(shape=(20,10), batch_size=batch_sizes)
lstm_1_mae = tf.keras.layers.LSTM(10, stateful=True, return_sequences=True)(inputs_1_mae) 
lstm_2_mae = tf.keras.layers.LSTM(10, stateful=True, return_sequences=True)(lstm_1_mae) 

output_1_mae = tf.keras.layers.Dense(units=10)(lstm_2_mae)
# 新增全局平均池化层，对时间步维度（axis=1）取平均
avg_output = tf.keras.layers.GlobalAveragePooling1D()(output_1_mae)

regressor_mae = tf.keras.Model(inputs=inputs_1_mae, outputs=avg_output) 
regressor_mae.compile(optimizer="adam", loss="mae") 
regressor_mae.summary() 

regressor_mae.fit(final_x_array, final_y_array, batch_size=batch_sizes, epochs=epochs)

修改后模型摘要里，GlobalAveragePooling1D层的输出形状会变成(1, 10)，正好匹配你的目标数据维度。

方法二：使用Lambda层手动计算平均 #

如果需要更灵活的操作，可以用Lambda层结合tf.reduce_mean指定要降维的轴：

batch_sizes = 1
epochs = 2
timesteps = 20

inputs_1_mae = tf.keras.layers.Input(shape=(20,10), batch_size=batch_sizes)
lstm_1_mae = tf.keras.layers.LSTM(10, stateful=True, return_sequences=True)(inputs_1_mae) 
lstm_2_mae = tf.keras.layers.LSTM(10, stateful=True, return_sequences=True)(lstm_1_mae) 

output_1_mae = tf.keras.layers.Dense(units=10)(lstm_2_mae)
# 用Lambda层对axis=1（时间步维度）取平均
avg_output = tf.keras.layers.Lambda(lambda x: tf.reduce_mean(x, axis=1))(output_1_mae)

regressor_mae = tf.keras.Model(inputs=inputs_1_mae, outputs=avg_output) 
regressor_mae.compile(optimizer="adam", loss="mae") 
regressor_mae.summary() 

regressor_mae.fit(final_x_array, final_y_array, batch_size=batch_sizes, epochs=epochs)

注意事项 #

• 确保目标数据final_y_array的形状是(样本数, 10)，和模型输出的(1,10)（单样本时）匹配，这样损失函数才能正常计算。
• 两种方法都不会影响LSTM的stateful属性，训练时的状态管理不受影响。

内容的提问来源于stack exchange，提问作者Maagalam HARSHA VARDHAN