如何在Keras中为RNN处理变长样本并解决输入张量错误？

核心问题分析 #

你的错误源于输入数据格式不匹配：

• 当前输入序列形状是(7, seq_len)（特征数在前，时间步在后），但Keras RNN期望的输入格式是(seq_len, 7)（时间步在前，每个时间步对应一个7维特征向量）。
• 直接将不同形状的numpy数组列表传入model.fit，Keras会把每个数组视为独立的输入张量，而非一个批量的可变长度序列，因此触发"收到多个输入张量"的错误。

步骤1：调整输入序列形状 #

先将每个输入数组转置，把(7, seq_len)转为(seq_len, 7)：

import numpy as np

# 转置训练集和测试集的输入序列
x_train = [arr.T for arr in x_train]
x_test = [arr.T for arr in x_test]

# 同时将目标值整理成二维数组（样本数×7）
y_train = np.array([y[0] for y in y_train])
y_test = np.array([y[0] for y in y_test])

步骤2：处理可变长度序列（二选一） #

方法1：填充序列（简单直接） #

将所有序列填充到最长序列的长度，统一成固定形状的批量张量：

from tensorflow.keras.preprocessing.sequence import pad_sequences

# 找到训练集中最长的序列长度
max_seq_length = max([seq.shape[0] for seq in x_train])

# 填充序列（post表示在序列末尾补0，不影响RNN处理）
x_train_padded = pad_sequences(x_train, maxlen=max_seq_length, padding="post", dtype="float32")
x_test_padded = pad_sequences(x_test, maxlen=max_seq_length, padding="post", dtype="float32")

# 训练模型
model.fit(
    x_train_padded, y_train,
    validation_data=(x_test_padded, y_test),
    epochs=50
)

方法2：使用tf.data.Dataset（高效适配变长序列） #

适合数据量较大的场景，自动处理批量内的序列填充：

import tensorflow as tf

# 构建训练集Dataset
train_dataset = tf.data.Dataset.from_generator(
    lambda: zip(x_train, y_train),
    output_signature=(
        tf.TensorSpec(shape=(None, 7), dtype=tf.float32),  # 可变长度的时间步
        tf.TensorSpec(shape=(7,), dtype=tf.float32)       # 固定长度的目标
    )
)

# 构建测试集Dataset
test_dataset = tf.data.Dataset.from_generator(
    lambda: zip(x_test, y_test),
    output_signature=(
        tf.TensorSpec(shape=(None, 7), dtype=tf.float32),
        tf.TensorSpec(shape=(7,), dtype=tf.float32)
    )
)

# 设置批量大小并自动填充序列
batch_size = 32
train_dataset = train_dataset.padded_batch(
    batch_size,
    padded_shapes=((None, 7), (7,))  # 指定每个维度的填充方式
)
test_dataset = test_dataset.padded_batch(
    batch_size,
    padded_shapes=((None, 7), (7,))
)

# 训练模型
model.fit(
    train_dataset,
    validation_data=test_dataset,
    epochs=50
)

验证模型输入匹配 #

你的模型定义是正确的：keras.Input((None, 7))中的None表示支持可变长度的时间步，调整数据格式后即可正常适配。

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