如何对timeseries_dataset_from_array生成的时序张量做独热编码？

你的错误源于CategoryEncoding层在one_hot输出模式下，默认仅支持处理2D输入张量，而你的输入是3D结构（(None, 20, 1)，对应批次、时间步、单分类特征），编码后会产生3D输出，超出了该层的限制。以下是两种可行的解决方案：

方法一：用TimeDistributed层适配时序结构 #

TimeDistributed层可以将编码逻辑独立应用到每个时间步的特征上，让CategoryEncoding处理每个时间步的2D切片（(None, 1)），最终输出符合LSTM要求的3D张量。

n_timesteps = 20
n_categorical_features = 1

from tensorflow import keras
from tensorflow.keras.layers import Input, IntegerLookup, CategoryEncoding, TimeDistributed

# 定义3D输入（批次、时间步、分类特征数）
cat_inp = keras.layers.Input(shape=(n_timesteps, n_categorical_features), name="categorical_input")

# 初始化并适配整数查找层
index = IntegerLookup()
index.adapt(X["br"])

# 先对输入做整数映射
lookup_output = IntegerLookup(vocabulary=index.get_vocabulary())(cat_inp)

# 用TimeDistributed包裹编码层，处理每个时间步的特征
one_hot_encoded = TimeDistributed(
    CategoryEncoding(num_tokens=index.vocabulary_size(), output_mode="one_hot")
)(lookup_output)

# 此时one_hot_encoded的形状为(None, 20, num_classes)，可直接输入LSTM层

方法二：Reshape调整张量维度 #

先将3D张量压缩为2D，完成编码后再恢复为3D结构，适配时序需求：

n_timesteps = 20
n_categorical_features = 1

from tensorflow import keras
from tensorflow.keras.layers import Input, IntegerLookup, CategoryEncoding, Reshape

cat_inp = keras.layers.Input(shape=(n_timesteps, n_categorical_features), name="categorical_input")
index = IntegerLookup()
index.adapt(X["br"])

# 将3D张量转为2D：(None, 20)
reshaped_input = Reshape((n_timesteps,))(cat_inp)

# 整数映射+独热编码
lookup_output = IntegerLookup(vocabulary=index.get_vocabulary())(reshaped_input)
one_hot_encoded = CategoryEncoding(
    num_tokens=index.vocabulary_size(), output_mode="one_hot"
)(lookup_output)

# 恢复为3D时序结构：(None, 20, num_classes)
final_output = Reshape((n_timesteps, index.vocabulary_size()))(one_hot_encoded)

两种方法最终都会生成形状为(None, n_timesteps, num_classes)的张量，完全兼容LSTM模型的输入要求。

内容的提问来源于stack exchange，提问作者Requin