训练GRU触发InvalidArgumentError维度越界问题求助

我是循环神经网络（RNN）领域的新手，正在学习TensorFlow时间序列教程，原教程用LSTM基于天气时间序列做预测，我想训练GRU模型对比性能，但调用教程里的WindowGenerator类的plot方法时，出现以下错误：

InvalidArgumentError: slice index 1 of dimension 2 out of bounds.
[Op:StridedSlice] name: strided_slice/

相关代码与输出 #

调用plot的代码：

wide_window.plot(gru_model)

GRU模型定义：

gru_model = tf.keras.models.Sequential([
    tf.keras.layers.GRU(32, return_sequences=True),
    tf.keras.layers.Dense(units=1)
])
print('Input shape:', wide_window.example[0].shape)
print('Output shape:', gru_model(wide_window.example[0]).shape)

输出信息：

Input shape: (32, 24, 19)
Output shape: (32, 24, 1)

wide_window定义：

wide_window = WindowGenerator(input_width=24, label_width=24, shift=1, label_columns=['T (degC)'])

问题原因 #

教程中的WindowGenerator.plot方法默认适配多特征输入输出的逻辑，它预期模型输出的第三维（特征维度）和输入的特征数一致。但你的GRU模型最后通过Dense(1)输出了单特征维度（shape=(32,24,1)），而输入有19个特征，plot方法在执行切片操作时试图访问第三维的索引1，超出了当前仅有的1个特征的范围，因此触发维度越界错误。

解决方法 #

方案1：调整模型输出为多特征维度 #

如果要和原LSTM模型的输出结构保持一致，将Dense层的units参数改为输入特征数19：

gru_model = tf.keras.models.Sequential([
    tf.keras.layers.GRU(32, return_sequences=True),
    tf.keras.layers.Dense(units=19)  # 匹配输入特征数19
])

修改后模型输出shape变为(32,24,19)，和输入特征维度匹配，plot方法即可正常运行。

方案2：适配单输出的绘图逻辑 #

如果只需要预测T (degC)这一个特征，可以选择以下两种方式：

1. 指定plot方法的目标特征：
   调用plot时明确传入label_columns参数，让方法只处理目标特征：

   wide_window.plot(gru_model, label_columns=['T (degC)'])
   

2. 手动绘图绕开原方法限制：
   直接提取预测值和真实标签绘制对比图：

   import matplotlib.pyplot as plt
   
   # 获取示例数据与预测结果
   inputs, labels = wide_window.example
   predictions = gru_model(inputs)
   
   # 提取目标特征的真实值与预测值
   target_idx = wide_window.column_indices['T (degC)']
   true_vals = labels[:, :, target_idx]
   pred_vals = predictions[:, :, 0]  # 模型输出为单特征，取索引0
   
   # 绘制对比图
   plt.figure(figsize=(12, 6))
   plt.plot(true_vals[0], label='真实值')
   plt.plot(pred_vals[0], label='预测值')
   plt.legend()
   plt.title('气温(T (degC))预测对比')
   plt.show()
   

内容的提问来源于stack exchange，提问作者Zoltán Orosz