Sequential LSTM模型预测输出维度与训练集y维度不符求助

问题出在LSTM层的return_sequences=True参数上。这个参数会让LSTM返回每个时间步的输出（对应输入序列的每一步），而非仅返回最后一个时间步的输出。结合你的输入序列长度为2（n_steps=2），每个样本会输出2个结果，再加上Dense(1)的维度，最终得到形状为(246,2,1)的预测结果，不符合你期望的单样本单预测值需求。

提供两种直接可行的修改方式：

方式一：修改LSTM层的return_sequences参数 #

这是时序回归任务的常规设置，将LSTM层的return_sequences=True改为return_sequences=False，让模型仅输出最后一个时间步的结果：

lstm = Sequential()
# 将return_sequences改为False，仅返回最后时间步输出
lstm.add(LSTM(32, input_shape=(X_train.shape[1], X_train.shape[2]), activation='relu', return_sequences=False))
lstm.add(Dense(1))
lstm.compile(loss='mean_squared_error', optimizer='adam')
lstm.summary()

训练后执行预测，得到的y_pred形状为(246,1)，再通过y_pred = y_pred.flatten()即可转换为你需要的(246,)形状。

方式二：保留return_sequences但压缩输出 #

若因多层LSTM堆叠等需求必须保留return_sequences=True，可通过以下两种方式压缩输出：

方案2.1：添加全局池化层 #

用全局池化层将每个样本的多时间步输出压缩为单值：

from tensorflow.keras.layers import GlobalAveragePooling1D

lstm = Sequential()
lstm.add(LSTM(32, input_shape=(X_train.shape[1], X_train.shape[2]), activation='relu', return_sequences=True))
# 全局平均池化将(None,2,32)转为(None,32)
lstm.add(GlobalAveragePooling1D())
lstm.add(Dense(1))
lstm.compile(loss='mean_squared_error', optimizer='adam')
lstm.summary()

方案2.2：手动提取最后时间步输出 #

预测后直接提取每个样本的最后一个时间步结果：

y_pred = lstm.predict(X_test)
# 提取每个样本最后一个时间步的预测值，形状从(246,2,1)转为(246,1)
y_pred = y_pred[:, -1, :]
# 展平为(246,)
y_pred = y_pred.flatten()

修改后重新训练并执行预测，通过print(y_pred.shape)可确认结果形状为(246,)，符合预期。

内容的提问来源于stack exchange，提问作者Pratik Jayaswal