BayesianOptimization搜索报TypeError：移除y_val可运行的原因排查

问题根源 #

你的普通NN（非循环网络）输入数据维度与LSTM/GRU不匹配，导致验证阶段维度冲突：

• LSTM/GRU原生支持三维输入(样本数, 时间步, 特征数)，你的x_val.shape=(77,1,4)刚好符合要求，模型输出(77,1)和y_val维度匹配，验证流程正常。
• 普通NN默认处理二维输入(样本数, 特征数)，但你传入的是三维x_val，模型输出的维度逻辑会和y_val产生冲突，最终导致计算验证损失时出现TypeError: 'float' object is not subscriptable——本质是代码尝试对一个标量float值执行下标操作（比如val[0]），这是维度不匹配引发的下游错误。

而移除y_val后，Keras Tuner无法获取验证损失，贝叶斯优化的Oracle没有有效指标指导超参数搜索，因此触发退出警告。

解决方案 #

1. 展平输入数据维度：
   将三维的训练/验证输入转换成二维，去掉时间步维度：

   x_train = x_train.reshape(x_train.shape[0], -1)
   x_val = x_val.reshape(x_val.shape[0], -1)
   

   转换后x_val.shape变为(77,4)，符合普通NN的输入要求。

2. 调整模型输入层：
   确保模型输入层形状和展平后的数据匹配：

   def build_model(hp):
       model = keras.Sequential()
       model.add(keras.layers.Input(shape=(4,)))  # 对应展平后的特征数
       # 后续Dense层定义...
       model.add(keras.layers.Dense(1))  # 输出维度与y_val(77,1)匹配
       model.compile(loss="mse", optimizer="adam")
       return model
   

3. 重新执行搜索：
   此时使用完整的validation_data=(x_val, y_val)即可正常运行，既不会报错，也不会触发Oracle退出警告。

补充说明 #

普通NN输入如果保留三维形状，Keras不会自动将其视为(77, 1*4)，而是把每个样本当成(1,4)的二维张量，后续Dense层计算后输出形状会变成(77,1,1)，和y_val(77,1)维度不匹配，这就是错误的核心来源。展平后输入维度统一，输出与标签维度完全对齐，验证流程就能正常进行。

内容的提问来源于stack exchange，提问作者Farid