如何让LSTM模型predict(x_test)输出二维数组？

问题根源 #

你的LSTM模型中所有LSTM层都设置了return_sequences=True，这会让每个LSTM层输出包含时间步维度的三维张量（形状为(样本数, 时间步, 特征数)）。后续的Dense层默认对最后一维（特征数）做运算，会保留时间步维度，最终导致预测输出为三维数组。

解决方案 #

将最后一个LSTM层的return_sequences=True改为return_sequences=False，让该层输出仅包含样本和特征维度的二维张量，后续Dense层处理后即可得到二维的预测结果（形状为(103, 1)）。

修改后的代码 #

# model create
model = Sequential()

# 第一个LSTM保留return_sequences=True，为下一层LSTM传递序列信息
model.add(LSTM(7, return_sequences=True, input_shape=(x_train.shape[1], 1))) 
# 最后一个LSTM关闭return_sequences，丢弃时间步维度
model.add(LSTM(10, return_sequences=False))
model.add(Dense(25, activation='relu'))
model.add(Dense(90, activation='relu'))
model.add(Dense(25, activation='relu'))
model.add(Dense(1))

# Compile the model
model.compile(optimizer='adam', loss='mean_squared_error', metrics=['accuracy','mae'])

# Predict
prediction = model.predict(x_test)
print(prediction.shape)  # 输出应为(103, 1)

备选方案（不推荐） #

如果必须保留LSTM的序列输出再接Dense层，可以在最后一个Dense前添加Flatten()层展平时间步和特征维度，但这种方式会丢失时序上下文关联，仅适用于特殊场景：

model = Sequential()
model.add(LSTM(7, return_sequences=True, input_shape=(x_train.shape[1], 1))) 
model.add(LSTM(10, return_sequences=True))
model.add(Flatten())  # 展平为(样本数, 7*10)
model.add(Dense(25, activation='relu'))
model.add(Dense(90, activation='relu'))
model.add(Dense(25, activation='relu'))
model.add(Dense(1))

内容的提问来源于stack exchange，提问作者seongmin