Keras训练RNN时出现形状不兼容的均方误差问题

错误提示Incompatible shapes: [64,2] vs. [64,71,2]的核心问题是模型输出形状与标签y的形状不匹配：

• 你的标签y形状是(4413,2)，对应每个样本输出一个2维的分类结果
• 但模型中所有LSTM层都设置了return_sequences=True，这会让每个LSTM输出序列中每个时间步的结果。经过三层LSTM后，输出形状为(None,71,128)（71是输入的时间步长度），后续Dense层会对最后一维做变换，最终模型输出形状变成(None,71,2)，和y的(None,2)维度不匹配，导致损失计算失败。

修正方案 #

把最后一个LSTM层的return_sequences=True改为return_sequences=False，让模型只输出序列最后一个时间步的特征，这样后续Dense层就能得到和y匹配的形状。同时，由于你使用softmax输出二分类结果，推荐将损失函数换成更适合分类任务的交叉熵损失（MSE更适合回归场景）。

修正后的完整代码：

model = Sequential()
# 前两层LSTM保留return_sequences=True，传递序列特征到下一层
model.add(LSTM(128, return_sequences=True, input_shape=(71,19)))  # 输入时间步固定为71，无需用None
model.add(Dropout(.2))
model.add(BatchNormalization())

model.add(LSTM(128, return_sequences=True))  # 后续LSTM无需重复指定input_shape，Keras会自动推断
model.add(Dropout(.2))
model.add(BatchNormalization())

# 最后一层LSTM关闭return_sequences，仅输出序列末尾的特征向量
model.add(LSTM(128, return_sequences=False))
model.add(Dropout(.2))
model.add(BatchNormalization())

model.add(Dense(32, activation='relu'))
model.add(Dropout(.2))

model.add(Dense(2, activation='softmax'))

# 根据标签y的类型选择损失函数
# 若y是独热编码格式（如[[1,0],[0,1]]），使用categorical_crossentropy
model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])
# 若y是整数标签格式（如[0,1,0,1]），使用sparse_categorical_crossentropy
# model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])

额外说明 #

• input_shape设置：第一层LSTM的input_shape直接写(71,19)即可，你的输入时间步长度固定为71，None仅适用于可变长度的序列输入场景
• 损失函数选择：交叉熵损失是分类任务的标准选择，相比MSE能让模型收敛更快、分类效果更稳定

内容的提问来源于stack exchange，提问作者luka