CNN与LSTM融合深度学习模型构建报错：输入形状不兼容求助

问题根源 #

你的Conv1D层定义的输入形状是(1500, 1)，意味着每个样本需要是1500个时间步，每个时间步对应1个特征的序列结构。但实际输入的形状是(None, 1, 1500)，也就是1个时间步，每个时间步对应1500个特征，维度顺序和特征数量与模型期望不匹配，导致报错。

两种可行解决方案 #

方案1：调整输入数据的形状（推荐）

TF-IDF输出的原始形状通常是(样本数, 1500)（每个样本对应1500维特征），你需要把它转换成(样本数, 1500, 1)的形状，让每个特征作为一个独立的时间步，每个时间步只有1个特征，适配Conv1D的输入要求。

可以用以下代码处理输入数据：

# 如果X_train是numpy数组
X_train = X_train.reshape(-1, 1500, 1)
# 如果是TensorFlow张量
X_train = tf.reshape(X_train, (-1, 1500, 1))

如果你的输入已经是(None,1,1500)的形状，需要先转置再调整维度：

# numpy数组
X_train = X_train.transpose(0, 2, 1)
# TensorFlow张量
X_train = tf.transpose(X_train, perm=[0, 2, 1])

修改后保持原模型结构不变，即可正常训练。

方案2：修改模型的输入形状（不推荐，仅作备选）

如果你坚持要使用(1,1500)的输入形状，可以修改Conv1D的input_shape参数，同时调整卷积核的作用维度：

model = Sequential()
# 修改input_shape为(1, 1500)，此时卷积核作用在特征维度
model.add(Conv1D(128, 1, activation='relu', input_shape=(1, 1500)))
model.add(MaxPooling1D(pool_size=1))
model.add(LSTM(100))
model.add(Dense(1, activation='sigmoid'))
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])

但这种方式下，Conv1D的卷积核只能作用在唯一的时间步上，无法提取序列特征，违背了CNN-LSTM组合的设计初衷，因此更推荐方案1。

修改后完整代码示例 #

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Conv1D, MaxPooling1D, LSTM
import tensorflow as tf

# 处理输入形状
X_train = X_train.reshape(-1, 1500, 1)

model = Sequential()
model.add(Conv1D(128, 5, activation='relu', input_shape=(1500, 1)))
model.add(MaxPooling1D(pool_size=2))
model.add(LSTM(100))
model.add(Dense(1, activation='sigmoid'))
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
print(model.summary())

model.fit(X_train, y_train, epochs=5, validation_split=0.1, verbose=1, batch_size=512)

内容的提问来源于stack exchange，提问作者user1873093