使用TensorFlow构建LSTM模型时维度不兼容错误求助

错误原因 #

1. LSTM输入维度不兼容：LSTM层要求输入为3维张量（形状(batch_size, timesteps, features)），但当前Embedding层输出是2维（(batch_size, 128)），缺少时间步维度，导致LSTM无法处理。
2. 输入形状不匹配：模型构建时Embedding层期望输入是序列形式（(None, None)），但实际输入的单个样本形状是(1,)（单个整数），触发形状不匹配警告。
3. 标签类型错误：模型使用binary_crossentropy二分类损失，要求标签是0/1的数值型数据，但当前代码直接用字符串作为标签，完全不符合要求。
4. 数据集使用错误：同时指定validation_data和validation_split，两者不能共存；且数据集未分批次，训练效率极低。

修复步骤与代码修改 #

关键修改点 #

• 给Embedding层明确输入形状，添加Reshape层将输出转为3维，满足LSTM要求；
• 将标签改为数值型0/1，匹配二分类损失；
• 对数据集进行打乱、分批次处理，移除冲突的validation_split参数；
• 调整Embedding的input_dim，匹配seed的取值范围（0到2^32-1）。

修改后完整代码 #

import tensorflow as tf
import numpy as np
import random

class ModelClass:
    """ used for getting all the juicy payloads and making them """

    def __init__(self, model=None):
        if not model:
            self.model = tf.keras.Sequential([
                # 明确输入为长度1的整数序列，匹配seed的形状
                tf.keras.layers.Embedding(input_dim=2**32, output_dim=128, input_shape=(1,)),
                # 增加Reshape层，将2维输出转为3维，适配LSTM输入要求
                tf.keras.layers.Reshape((1, 128)),
                tf.keras.layers.LSTM(128),
                tf.keras.layers.Dense(1, activation='sigmoid')
            ])
            self.model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])
        else:
            self.model = model

    def train(self):
        # 读取payload并去除换行符
        payload_list = [line.strip() for line in open('./sqli_tester/all.txt', 'r').readlines()]
        # 生成500个随机seed，形状(500,1)
        seeds = np.random.randint(0, high=2**32-1, size=(500, 1), dtype=np.int64)
        # 生成二分类数值标签（示例：随机0/1，实际需根据任务逻辑调整）
        labels = np.random.randint(0, 2, size=(500, 1), dtype=np.float32)
        
        # 构建数据集，打乱并分批次
        dataset = tf.data.Dataset.from_tensor_slices((seeds, labels))
        dataset = dataset.shuffle(500).batch(32)
        
        # 划分训练/验证集
        train_size = int(500 * 0.8)
        train_dataset = dataset.take(train_size // 32)
        val_dataset = dataset.skip(train_size // 32)
        
        # 训练模型（移除validation_split，使用已划分的验证集）
        history = self.model.fit(train_dataset, epochs=10, validation_data=val_dataset)
        # self.model.save('model.h5')
        return self.model

if __name__ == '__main__':
    modelc = ModelClass()
    modelc.train()

额外说明 #

如果你的实际任务是生成SQLi payload序列（而非二分类），当前模型结构不适用，需要调整为序列生成模型：

• 将Dense层改为输出序列长度对应的维度，使用categorical_crossentropy损失；
• 输入需改为序列数据，而非单个整数seed；
• 可考虑使用LSTM的返回序列模式（return_sequences=True）。

内容的提问来源于stack exchange，提问作者C3ald