LSTM模型model.fit()报错：输入形状不兼容问题求助

错误原因 #

LSTM层要求输入是3D张量，格式为(batch_size, timesteps, features)（批量大小、时间步长、特征数）。你的x_train是2D形状(320,6)，只包含样本数和特征数，缺少时间步维度；同时你把input_shape设成了(320,6)，这是错误的——input_shape只需要指定(timesteps, features)，批量大小由batch_size参数自动处理（对应形状里的None）。

修复步骤 #

• 给x_train增加时间步维度，把2D张量转成3D：
  使用numpy的expand_dims方法，在轴1的位置添加维度，让形状从(320,6)变成(320,1,6)（这里每个样本的时间步设为1，如果你有其他时间步逻辑可以调整这个值）。
  代码：x_train = np.expand_dims(x_train, axis=1)
• 修改模型的input_shape参数为(1,6)，对应时间步1、特征数6。
• 重新构建模型并训练。

修改后的完整代码 #

import numpy as np
import keras

def build_modelLSTMlite(input_shape):
    model = keras.Sequential()
    model.add(keras.layers.LSTM(64, input_shape=input_shape))
    model.add(keras.layers.Dense(64, activation='relu'))
    model.add(keras.layers.Dropout(0.3))
    model.add(keras.layers.Dense(10, activation='softmax'))
    return model

# 给x_train增加时间步维度
x_train = np.expand_dims(x_train, axis=1)
# 传入正确的input_shape
model = build_modelLSTMlite(input_shape=(1,6))
optimiser = keras.optimizers.Adam(learning_rate=0.001)
model.compile(optimizer=optimiser,
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])
model.summary()
history = model.fit(x_train, y_train, batch_size=32, epochs=100)

额外说明 #

如果你的数据原本有时间步逻辑（比如每N个连续样本作为一个时间序列），那需要重新调整x_train的形状，比如把320个样本分成若干个长度为N的序列，形状变成(样本组数, N, 6)，同时input_shape设为(N,6)。但如果每个样本就是独立的时间步（比如单步预测），上面的修复就足够了。

内容的提问来源于stack exchange，提问作者poorna