Keras不同形状层拼接报错：如何调整输出形状实现拼接？

你遇到的ValueError确实是两个分支的输出形状不兼容导致的，咱们来拆解下问题根源：

• 分支1（X_st输入）：经过Dense(35)后，输出形状是(None, 10, 35)——因为Dense层默认会对输入的每个时间步（这里的10个时间步）单独做全连接，所以保留了时间维度。
• 分支2（X_tim输入）：默认的LSTM(10)返回的是最后一个时间步的隐藏状态，输出形状是(None, 10)——没有时间维度。

当你尝试在axis=-1拼接这两个输出时，一个是3维张量，一个是2维张量，自然会触发形状不匹配的错误。下面给你两种解决方案，你可以根据任务需求选择：

方案1：让LSTM返回完整序列（保留时间维度） #

如果你的任务需要保留每个时间步的时序关联，只需要给LSTM层加上return_sequences=True参数，让它返回所有时间步的输出（形状变为(None, 10, 10)），这样就能和分支1的输出在最后一维正常拼接：

from tensorflow.keras import layers,Input,Model
# Branch 1 for X_st
Input1 = Input(shape = (10,34) ,name='stat')
Dense1 = layers.Dense(35,activation='relu')(Input1)
# Branch 2 for X_tim - 关键修改：添加return_sequences=True
Input2 = Input(shape = (10,8) ,name='tim')
RNN1 = layers.LSTM(10, return_sequences=True)(Input2)
# Concatination - 此时两个输入形状都是(None,10,N)，可正常拼接
concatenated = layers.concatenate([Dense1 , RNN1 ],axis=-1)
Final = layers.Dense(44,activation='relu')(concatenated)
output = layers.Dense(1,activation='sigmoid')(Final)
model = Model([Input1 , Input2], output)
model.compile(optimizer='rmsprop',loss='binary_crossentropy',metrics=['acc'])

方案2：聚合分支1的时间维度（去掉时间维度） #

如果分支1的X_st是静态重复特征（每个时间步的特征不需要单独保留），可以用池化或Flatten层把它的时间维度聚合为一维，变成2维张量后再和LSTM的输出拼接：

方法A：全局平均池化（推荐，避免参数冗余） #

from tensorflow.keras import layers,Input,Model
# Branch 1 for X_st - 新增池化层聚合时间步
Input1 = Input(shape = (10,34) ,name='stat')
Dense1 = layers.Dense(35,activation='relu')(Input1)
Pool1 = layers.GlobalAveragePooling1D()(Dense1)  # 输出形状变为(None,35)
# Branch 2 for X_tim - 保持默认即可
Input2 = Input(shape = (10,8) ,name='tim')
RNN1 = layers.LSTM(10)(Input2)  # 输出形状(None,10)
# Concatination - 两个都是2维张量，可正常拼接
concatenated = layers.concatenate([Pool1 , RNN1 ],axis=-1)
Final = layers.Dense(44,activation='relu')(concatenated)
output = layers.Dense(1,activation='sigmoid')(Final)
model = Model([Input1 , Input2], output)
model.compile(optimizer='rmsprop',loss='binary_crossentropy',metrics=['acc'])

方法B：Flatten层（简单直接，但易引入冗余参数） #

把上面的GlobalAveragePooling1D()换成layers.Flatten()，输出形状会变成(None, 350)（10*35），之后再和LSTM的输出拼接即可。

方案选择建议 #

• 若需要利用每个时间步的静态特征与时序特征的对应关系，选方案1；
• 若静态特征的时间步只是重复数据、无需保留时序关联，选方案2（优先用全局池化，降低过拟合风险）。

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