LSTM层输入维度不兼容：训练正常预测时报错的技术问询

你的LSTM层要求输入为3维张量格式：(batch_size, timesteps, features)，但预测时传入的输入是2维的。训练阶段你通过tf.expand_dims(input_layer, axis=-1)把输入从(1,9)转换成了(1,9,1)（对应batch_size=1、timesteps=9、单特征），但预测时直接传入row.values，即使自动加上batch维度后也只是(1,9)，缺少LSTM必需的最后一维特征维度，因此触发维度不兼容报错。

方法一：预测时手动扩展输入维度 #

在调用model.predict前，给输入数据补充最后一维，匹配LSTM的输入要求：

for index, row in data.drop(columns=['Close_next']).iterrows(): 
    # 将row.values从(9,)转换成(1,9,1)，对应batch_size=1、timesteps=9、单特征
    input_data = row.values.reshape(1, 9, 1)
    output = model.predict(input_data, batch_size=1)

方法二：构建模型时直接定义规范的3维输入（更推荐） #

训练时直接在Input层定义符合LSTM要求的3维输入，避免后续手动维度转换的繁琐：

batch_size = 1
epochs = 1

input_size = 9
output_size = 1
hidden_size_1 = 9

# 直接定义3维输入形状：(batch_size, timesteps, features)
input_layer = tf.keras.Input(batch_shape=(batch_size, input_size, 1))
hidden_1 = tf.keras.layers.LSTM(hidden_size_1, stateful=True)(input_layer)
output_layer = tf.keras.layers.Dense(1, activation='relu')(hidden_1)

model = tf.keras.Model(inputs=input_layer, outputs=output_layer)

# 训练前先把训练数据转换成3维格式
input_data = input_data.reshape(-1, input_size, 1)
model.compile(loss='mean_squared_error', optimizer='adam')
model.fit(input_data, output_data, batch_size=batch_size, epochs=epochs)
model.save("model_1.h5")

预测时同样需要把测试数据转换成(1,9,1)格式，和方法一的处理逻辑一致，但模型结构更清晰，能减少后续出错概率。

额外注意事项 #

• 由于你的LSTM设置了stateful=True，如果是连续序列预测，需要在合适时机调用model.reset_states()重置状态，避免不同样本间的状态干扰。
• 确保测试数据的特征数量和训练时完全一致（均为9个），防止出现其他形状不匹配问题。

内容的提问来源于stack exchange，提问作者agheieff