在LSTM最后一层使用sigmoid激活函数时出现维度不匹配错误

错误原因 #

你遇到的ValueError: logits and labels must have the same shape问题，核心是模型输出形状和标签形状不匹配：

• 第二个LSTM层设置了return_sequences=True，导致该层输出为三维张量 (None, 60, 30)（None代表批量大小，60是时间步长，30是LSTM单元数）
• 后续Dense层会对每个时间步单独计算输出，最终模型输出为(None, 60, 1)
• 而你的标签Y_train['TARGET_ENTRY_LONG']是一维张量(None,)，两者维度不匹配触发报错

当你去掉sigmoid激活时没有报错，但这不符合二分类逻辑——此时模型输出的是原始logits，而binary_crossentropy默认期望输入是经过sigmoid归一化后的概率值（或需显式设置from_logits=True），所以训练结果会偏离预期。

解决方案 #

修改第二个LSTM层的return_sequences参数为False（或直接删除该参数，默认值即为False），让LSTM层只输出最后一个时间步的结果，这样后续Dense层的输出形状就能和标签匹配：

修改后的模型代码 #

# define model
model = Sequential()
model.add(LSTM(90, activation='relu', input_shape=(length, n_features), return_sequences=True, dropout = 0.3))
# 移除return_sequences=True，使用默认的False
model.add(LSTM(30, activation='relu', dropout = 0.3))
model.add(Dense(1, activation = 'sigmoid'))
model.compile(optimizer='adam', loss='binary_crossentropy')

补充说明 #

如果你的任务是序列标注（需要对每个时间步输出预测），则需要将标签形状调整为(None, 60, 1)，但从标签列名TARGET_ENTRY_LONG判断，你应该是做单步二分类预测（预测序列结束后的结果），因此上述修改完全适用。

内容的提问来源于stack exchange，提问作者fede72bari